Communitygithub.com

majiayu000/claude-skill-registry-data

Optimiert die Portfolioallokation und das Rebalancing. Verwaltet die Vermögensallokation über Aktien/Bargeld/Anleihen, führt regelmäßiges Rebalancing durch und sorgt für Diversifikation in Abhängigkeit vom Marktregime und der Risikotoleranz.

Was ist claude-skill-registry-data?

Diese Fähigkeit des KI-Agenten 'Portfolio Manager' automatisiert die Portfoliooptimierung durch dynamische Asset-Allokation, regelbasiertes Rebalancing und Risikomanagement. Sie ist für jede KI-Agentenplattform (wie Claude Code, Cursor, Codex) geeignet. Der Agent analysiert kontinuierlich das aktuelle Portfolio, erkennt das vorherrschende Marktregime (RISK_ON, RISK_OFF oder TRANSITION) – basierend auf dem VIX, der Zinskurve, dem BIP-Wachstum und anderen Makroindikatoren – und leitet daraus eine Soll-Allokation ab. Bei Überschreitung konfigurierbarer Abweichungsschwellen (z.B. 5% für normales, 10% für dringendes Rebalancing) generiert er konkrete Handelsvorschläge zum Kauf/Verkauf von Aktien, Anleihen oder Bargeld. Er berücksichtigt Sektorgrenzen (Tech max. 40%, Finanzen max. 30% usw.), Positionslimits (max. 15% pro Aktie) und verfassungsrechtliche Compliance-Regeln. Der Agent integriert die Moderne Portfoliotheorie (MPT) zur Sharpe-Ratio-Optimierung und arbeitet mit anderen Agenten (z.B. War Room) zusammen, um Überkonzentrationen zu vermeiden. Die Ausgabe erfolgt als strukturiertes JSON mit Empfehlungen, Abweichungen und Risikokennzahlen (Beta, Sharpe Ratio, Max Drawdown).

Funktioniert mit✓Claude Code~Codex CLI~Cursor
npx skills add https://github.com/majiayu000/claude-skill-registry-data/tree/HEAD/agent/portfolio-manager-agent

In Ihrer bevorzugten KI fragen

Öffnet einen neuen Chat, in dem dieser Agent-Skill bereits geladen ist.

Dokumentation

Portfolio Manager Agent - Portfoliomanager

Rolle

Optimiert das Risiko-Rendite-Verhältnis durch Verwaltung der Vermögensallokation, des Rebalancings und der Diversifikation des Portfolios.

Kernfähigkeiten

1. Asset-Allokationsstrategie

Dynamische Allokation nach Marktregime

# RISK_ON (Konjunkturaufschwung, VIX < 20)
allocation = {
    'stocks': 0.70,
    'bonds': 0.20,
    'cash': 0.10
}

# RISK_OFF (Konjunkturabschwung, VIX > 25)
allocation = {
    'stocks': 0.40,
    'bonds': 0.40,
    'cash': 0.20
}

# TRANSITION (Übergangsphase, VIX 20-25)
allocation = {
    'stocks': 0.55,
    'bonds': 0.30,
    'cash': 0.15
}

Sektordiversifikation

Tech: max. 40%
Finanzen: max. 30%
Gesundheitswesen: max. 25%
Andere Sektoren: max. je 20%

2. Rebalancing-Auslöser

WENN Abweichung > 5%:
  → Rebalancing empfohlen

Beispiel:
Ziel: Aktien 70%
Aktuell: Aktien 76%
Abweichung: +6% → REBALANCE

WENN Abweichung > 10%:
  → Dringendes Rebalancing
  → Sofortige Benachrichtigung

3. Überwachung von Risikokennzahlen

  • Portfolio-Beta: Volatilität im Vergleich zum Markt
  • Sharpe Ratio: Rendite im Verhältnis zum Risiko
  • Max Drawdown: Maximaler Verlust
  • Korrelationsmatrix: Korrelation zwischen den Positionen

4. Positionsgrößenbestimmung

# Kelly-Kriterium (modifiziert)
position_size = (win_rate * avg_win - (1 - win_rate) * avg_loss) / avg_win

# Positionslimits
position_size = min(position_size, MAX_SINGLE_POSITION)  # 15%

Entscheidungsrahmen

Schritt 1: Aktuelles Portfolio analysieren
  - Aktuelle Allokation
  - Einzelpositionen
  - Sektoraufteilung
  - Risikokennzahlen

Schritt 2: Marktregime erkennen
  from backend.ai.market_regime import MarketRegimeDetector
  regime = detector.detect_regime(market_data)

Schritt 3: Zielallokation bestimmen
  Basierend auf dem Regime:
    - RISK_ON → Aggressiv (70/20/10)
    - RISK_OFF → Konservativ (40/40/20)
    - TRANSITION → Ausgewogen (55/30/15)

Schritt 4: Abweichung berechnen
  abweichung = |aktuell - ziel|

Schritt 5: Rebalancing-Entscheidung
  WENN Abweichung > Schwellenwert:
    → Rebalancing-Trades generieren
  SONST:
    → Aktuelle Allokation beibehalten

Schritt 6: Verfassungsmäßige Grenzen anwenden
  - Einhaltung von Artikel 4 prüfen
  - Positionslimits sicherstellen
  - Sektorgrenzen überprüfen

Ausgabeformat

{
  "agent": "portfolio_manager",
  "empfehlung": "REBALANCE|HOLD",
  "konfidenz": 0.85,
  "begründung": "Marktregime zu RISK_OFF gewechselt, Aktienanteil muss reduziert werden",
  "aktuelle_allokation": {
    "stocks": 0.76,
    "bonds": 0.18,
    "cash": 0.06,
    "gesamt_wert_usd": 100000
  },
  "ziel_allokation": {
    "stocks": 0.55,
    "bonds": 0.30,
    "cash": 0.15
  },
  "abweichung": {
    "stocks": 0.21,
    "bonds": -0.12,
    "cash": -0.09,
    "max_abweichung": 0.21
  },
  "rebalancing_trades": [
    {
      "aktion": "SELL",
      "anlageklasse": "stocks",
      "betrag_usd": 21000,
      "grund": "Aktienanteil von 76% auf 55% reduzieren"
    },
    {
      "aktion": "BUY",
      "anlageklasse": "bonds",
      "betrag_usd": 12000,
      "grund": "Anleihenanteil von 18% auf 30% erhöhen"
    },
    {
      "aktion": "INCREASE",
      "anlageklasse": "cash",
      "betrag_usd": 9000,
      "grund": "Bargeldbestand aufstocken (defensive Position)"
    }
  ],
  "risikoanalyse": {
    "portfolio_beta": 1.15,
    "sharpe_ratio": 1.45,
    "max_drawdown": -0.08,
    "erwartete_volatilitaet": 0.18
  },
  "sektor_aufteilung": {
    "Technology": 0.35,
    "Finance": 0.20,
    "Healthcare": 0.15,
    "Other": 0.30
  },
  "naechster_prueftermin": "2025-12-28"
}

Beispiele

Beispiel 1: RISK_ON → Aggressive Allokation

Eingabe:
- VIX: 15
- BIP-Wachstum: 3.0%
- Marktregime: RISK_ON
- Aktuell: Aktien 55%, Anleihen 30%, Bargeld 15%

Ausgabe:
- Empfehlung: REBALANCE
- Ziel: Aktien 70%, Anleihen 20%, Bargeld 10%
- Trades:
  * KAUF Aktien 15.000 USD
  * VERKAUF Anleihen 10.000 USD
  * REDUZIERUNG Bargeld 5.000 USD

Beispiel 2: RISK_OFF → Defensive Allokation

Eingabe:
- VIX: 28
- Rezessionssignale
- Marktregime: RISK_OFF
- Aktuell: Aktien 70%, Anleihen 20%, Bargeld 10%

Ausgabe:
- Empfehlung: URGENT_REBALANCE
- Ziel: Aktien 40%, Anleihen 40%, Bargeld 20%
- Trades:
  * VERKAUF Aktien 30.000 USD
  * KAUF Anleihen 20.000 USD
  * ERHÖHUNG Bargeld 10.000 USD

Beispiel 3: Geringe Abweichung → Beibehalten

Eingabe:
- Aktuell: Aktien 68%, Anleihen 22%, Bargeld 10%
- Ziel: Aktien 70%, Anleihen 20%, Bargeld 10%
- Abweichung: 2%, 2%, 0%

Ausgabe:
- Empfehlung: HOLD
- Begründung: "Abweichung < 5%, Beibehalten bei Berücksichtigung der Transaktionskosten vorteilhaft"

Beispiel 4: Sektor-Rebalancing

Eingabe:
- Tech: 45% (MAX 40%)
- Finanzen: 15%
- Gesundheitswesen: 10%

Ausgabe:
- Empfehlung: SECTOR_REBALANCE
- Trades:
  * VERKAUF Tech-Aktien 5.000 USD (45% → 40%)
  * KAUF Gesundheitswesen 3.000 USD
  * KAUF Finanzen 2.000 USD

Richtlinien

Do's ✅

  • Regelmäßige Überprüfung: Wöchentlich oder alle zwei Wochen
  • Marktregime priorisieren: Allokation basierend auf dem makroökonomischen Umfeld
  • Schrittweises Rebalancing: Plötzliche Änderungen vermeiden
  • Steuereffizienz: Steuereffizientes Rebalancing

Don'ts ❌

  • Übermäßiger Handel verboten (Transaktionskosten berücksichtigen)
  • Keine Überreaktion auf kurzfristige Volatilität
  • Keine emotionalen Allokationsänderungen
  • Kein Verstoß gegen Artikel 4 der Verfassung

Integration mit dem Marktregime-Detektor

from backend.ai.market_regime import MarketRegimeDetector
from backend.ai.regime_detector import detect_market_regime

detector = MarketRegimeDetector()

regime_data = {
    'vix': 18,
    'yield_curve_10y2y': 0.3,
    'fed_stance': 'neutral',
    'gdp_growth': 0.025,
    'unemployment': 0.038,
    'cpi': 0.028
}

regime = detector.detect_regime(regime_data)

# Ausgabe:
# {
#   "current_regime": "RISK_ON",
#   "confidence": 0.75,
#   "recommended_asset_allocation": {
#     "stocks": 0.70,
#     "bonds": 0.20,
#     "cash": 0.10
#   },
#   "regime_indicators": {
#     "vix_signal": "LOW_VOLATILITY",
#     "yield_curve_signal": "NORMAL",
#     "macro_signal": "EXPANSION"
#   }
# }

Rebalancing-Algorithmus

Schwellenbasiertes Rebalancing

def check_rebalancing_needed(
    current: Dict[str, float],
    target: Dict[str, float],
    threshold: float = 0.05
) -> bool:
    """Prüft, ob ein Rebalancing erforderlich ist"""
    
    for asset_class in target.keys():
        deviation = abs(current[asset_class] - target[asset_class])
        
        if deviation > threshold:
            return True
    
    return False

# Beispiel
current = {'stocks': 0.76, 'bonds': 0.18, 'cash': 0.06}
target = {'stocks': 0.70, 'bonds': 0.20, 'cash': 0.10}

needs_rebalance = check_rebalancing_needed(current, target)  # True

Optimale Handelsberechnung

def calculate_rebalancing_trades(
    current_allocation: Dict[str, float],
    target_allocation: Dict[str, float],
    total_portfolio_value: float
) -> List[Dict]:
    """Berechnet optimale Trades für das Rebalancing"""
    
    trades = []
    
    for asset_class, target_pct in target_allocation.items():
        current_pct = current_allocation[asset_class]
        current_value = current_pct * total_portfolio_value
        target_value = target_pct * total_portfolio_value
        
        diff = target_value - current_value
        
        if abs(diff) > 1000:  # Mindesthandelsvolumen 1.000 USD
            action = "BUY" if diff > 0 else "SELL"
            trades.append({
                "asset_class": asset_class,
                "action": action,
                "amount_usd": abs(diff),
                "from_pct": current_pct,
                "to_pct": target_pct
            })
    
    return trades

Leistungskennzahlen

  • Rebalancing-Häufigkeit: Ziel 1-2 Mal pro Monat
  • Transaktionskosten: < 0,5% des Portfoliowerts
  • Sharpe-Ratio-Verbesserung: Ziel +10% gegenüber Buy-and-Hold
  • Drawdown-Reduzierung: Ziel -20% gegenüber unverwaltetem Portfolio

Verfassungskonformität

from backend.constitution import Constitution

constitution = Constitution()

# Rebalancing-Trades validieren
for trade in rebalancing_trades:
    # Prüfen, ob die neue Allokation gegen Artikel 4 verstößt
    new_allocation = apply_trade(current_allocation, trade)
    
    is_valid, violations, _ = constitution.validate_allocation(
        new_allocation,
        current_positions
    )
    
    if not is_valid:
        # Trade anpassen, um Compliance zu gewährleisten
        trade = adjust_trade_for_compliance(trade, violations)

Risikoadjustierte Positionsgrößenbestimmung

Integration der Modernen Portfoliotheorie (MPT)

import numpy as np
from scipy.optimize import minimize

def optimize_portfolio(
    returns: np.array,
    covariance: np.array,
    risk_free_rate: float = 0.03
) -> np.array:
    """Optimiert das Portfolio mittels MPT"""
    
    n_assets = len(returns)
    
    # Ziel: Maximierung der Sharpe Ratio
    def objective(weights):
        portfolio_return = np.dot(weights, returns)
        portfolio_std = np.sqrt(np.dot(weights, np.dot(covariance, weights)))
        sharpe = (portfolio_return - risk_free_rate) / portfolio_std
        return -sharpe  # Negative Sharpe minimieren
    
    # Nebenbedingungen
    constraints = [
        {'type': 'eq', 'fun': lambda w: np.sum(w) - 1},  # Summe = 1
        {'type': 'ineq', 'fun': lambda w: w}  # Nicht-negativ
    ]
    
    # Grenzen (max. 15% pro Aktie)
    bounds = tuple((0, 0.15) for _ in range(n_assets))
    
    # Startschätzung
    x0 = np.array([1/n_assets] * n_assets)
    
    # Optimierung
    result = minimize(objective, x0, method='SLSQP', bounds=bounds, constraints=constraints)
    
    return result.x

Zusammenarbeit mit anderen Agenten

War Room → Handelssignale
  ↓
Portfoliomanager → Aktuelle Allokation prüfen
  ↓
WENN neue Position zu Ungleichgewicht führt:
  → Teilweise Positionsgröße vorschlagen
  ODER
  → Verkauf anderer Positionen zuerst empfehlen

Beispiel:
War Room: KAUF AAPL 15.000 USD
Portfoliomanager: „Tech-Sektor bereits bei 38%, nur 10.000 USD kaufen"

Berichterstattung

Wöchentlicher Portfoliobericht

# Portfolio Performance Report - Woche vom 21.12.2025

## Vermögensallokation
- Aktien: 68% (Ziel: 70%) ✓
- Anleihen: 22% (Ziel: 20%) ⚠️
- Bargeld: 10% (Ziel: 10%) ✓

## Performance
- Wochenrendite: +2,3%
- Jahresrendite (YTD): +15,7%
- Sharpe Ratio: 1,45
- Max Drawdown: -8,2%

## Durchgeführte Maßnahmen
- Keine (innerhalb der Toleranz)

## Nächste Überprüfung: 28.12.2025

Versionshistorie

  • v1.0 (2025-12-21): Erstveröffentlichung mit MPT-Optimierung und Marktregime-Integration

Individual skills in this repo

This repo contains 20 individual skills — each has its own dedicated page.

majiayu000/claude-skill-registry-data

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry-data

Edit existing BMAD agents while maintaining compliance

majiayu000/claude-skill-registry-data

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry-data

Edit existing BMAD modules while maintaining coherence

majiayu000/claude-skill-registry-data

Analyzes current state and user query to answer BMad questions or recommend the next workflow or agent. Use when user says what should I do next, what do I do now, or asks a question about BMad

majiayu000/claude-skill-registry-data

Build AI agents with Google ADK Python (Agent Development Kit). Use for multi-agent systems, workflow agents (sequential/parallel/loop), Vertex AI deployment, tool integration, human-in-the-loop.

majiayu000/claude-skill-registry-data

Build AI agents with Google ADK Python (Agent Development Kit). Use for multi-agent systems, workflow agents (sequential/parallel/loop), Vertex AI deployment, tool integration, human-in-the-loop.

majiayu000/claude-skill-registry-data

Create a hilarious and ultra-realistic video of an anthropomorphic animal acting like a human vlogger in a real-world setting.

majiayu000/claude-skill-registry-data

Speech-to-text transcription and translation via OpenAI Audio API -- models, response formats, timestamps, prompting, streaming, chunking, and diarization

majiayu000/claude-skill-registry-data

This skill should be used when the user asks about libraries, frameworks, API references, or needs code examples. Activates for setup questions, code generation involving libraries, or mentions of specific frameworks like React, Vue, Next.js, Prisma, Supabase, etc.

majiayu000/claude-skill-registry-data

小省导购员数字人带货版即梦视频提示词生成系统,基于四大智能体协同(提示词生成师、质量管控师、知识库运维师、跨环节适配师),按照"主体+运动+场景+(镜头语言+光影+氛围)"公式输出中英文双版提示词,适配5s短视频。确保人物一致性、视觉连贯性、情绪连贯性,支持知识库智能复用和跨工具适配(Suno音乐、AI绘画),为数字人带货视频提供高质量提示词生成服务。

majiayu000/claude-skill-registry-data

Upload and manage files using Google Gemini File API via scripts/. Use for uploading images, audio, video, PDFs, and other files for use with Gemini models. Supports file upload, status checking, and file management. Triggers on "upload file", "file API", "upload image", "upload PDF", "upload video", "file management".

majiayu000/claude-skill-registry-data

Analyze images/audio/video with Gemini API (better vision than Claude). Generate images (Imagen 4), videos (Veo 3). Use for vision analysis, transcription, OCR, design extraction, multimodal AI.

majiayu000/claude-skill-registry-data

Analyze images/audio/video with Gemini API (better vision than Claude). Generate images (Imagen 4), videos (Veo 3). Use for vision analysis, transcription, OCR, design extraction, multimodal AI.

majiayu000/claude-skill-registry-data

Skill for discovering and researching autonomous AI agents, tools, and ecosystems using the AgentFolio directory.

majiayu000/claude-skill-registry-data

Conduct domain and industry research. Use when the user says "lets create a research report on [domain or industry]

majiayu000/claude-skill-registry-data

Conduct market research on competition and customers. Use when the user says "create a market research report about [business idea]".

majiayu000/claude-skill-registry-data

Conduct technical research on technologies and architecture. Use when the user says "create a technical research report on [topic]".

majiayu000/claude-skill-registry-data

Understand an existing codebase through systematic exploration

majiayu000/claude-skill-registry-data

Builds, edit or validate Agent Skill through conversational discovery. Use when the user requests to "Create an Agent", "Optimize an Agent" or "Edit an Agent".

Verwandte Skills