Communitygithub.com

majiayu000/claude-skill-registry-data

Optimizador de asignación y reequilibrio de carteras. Gestiona la asignación de activos entre acciones/efectivo/bonos, realiza reequilibrios periódicos y asegura la diversificación según el régimen de mercado y la tolerancia al riesgo.

¿Qué es claude-skill-registry-data?

Este agente administra y optimiza carteras de inversión mediante la asignación dinámica de activos y el reequilibrio periódico. Su función principal es ajustar la distribución entre acciones, bonos y efectivo según el régimen de mercado detectado (RISK_ON, RISK_OFF o TRANSITION), utilizando métricas como el VIX, el crecimiento del PIB y la pendiente de la curva de rendimiento. El agente monitorea constantemente las desviaciones de la asignación objetivo y activa reequilibrios cuando las desviaciones superan umbrales predefinidos (5% para recomendación estándar, 10% para urgente). Implementa límites constitucionales como el Artículo 4 de la constitución del sistema, asegurando que ningún sector supere el 40% y que las posiciones individuales no excedan el 15%. Se integra con detectores de régimen de mercado y agentes de 'War Room' para coordinar señales de trading, y genera informes semanales de rendimiento con métricas clave como el ratio de Sharpe, la beta de la cartera y la reducción máxima.

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

Preguntar en tu IA favorita

Abre un nuevo chat con esta habilidad de agente ya precargada.

Documentación

Agente Administrador de Cartera - Portfolio Manager Agent

Rol

Optimiza el rendimiento ajustado al riesgo gestionando la asignación de activos, el reequilibrio y la diversificación de la cartera.

Capacidades principales

1. Estrategia de asignación de activos

Asignación dinámica por régimen de mercado

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

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

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

Diversificación sectorial

Tecnología: Máx. 40%
Financiero: Máx. 30%
Salud: Máx. 25%
Otros sectores: Máx. 20% cada uno

2. Disparadores de reequilibrio

SI desviación > 5%:
  → Se recomienda reequilibrar

Ejemplo:
Objetivo: Acciones 70%
Actual: Acciones 76%
Desviación: +6% → REBALANCEAR

SI desviación > 10%:
  → Reequilibrio urgente
  → Notificación inmediata

3. Monitoreo de métricas de riesgo

  • Beta de la cartera: Volatilidad relativa al mercado
  • Ratio de Sharpe: Rendimiento ajustado al riesgo
  • Reducción máxima (Max Drawdown): Caída máxima
  • Matriz de correlación: Correlación entre activos

4. Dimensionamiento de posiciones

# Criterio de Kelly (modificado)
position_size = (win_rate * avg_win - (1 - win_rate) * avg_loss) / avg_win

# Límites de posición
position_size = min(position_size, MAX_SINGLE_POSITION)  # 15%

Marco de decisión

Paso 1: Analizar cartera actual
  - Asignación actual
  - Posiciones individuales
  - Desglose sectorial
  - Métricas de riesgo

Paso 2: Detectar régimen de mercado
  from backend.ai.market_regime import MarketRegimeDetector
  regime = detector.detect_regime(market_data)

Paso 3: Determinar asignación objetivo
  Basado en el régimen:
    - RISK_ON → Agresiva (70/20/10)
    - RISK_OFF → Conservadora (40/40/20)
    - TRANSITION → Equilibrada (55/30/15)

Paso 4: Calcular desviación
  deviation = |actual - objetivo|

Paso 5: Decisión de reequilibrio
  SI desviación > umbral:
    → Generar operaciones de reequilibrio
  SI NO:
    → Mantener asignación actual

Paso 6: Aplicar límites constitucionales
  - Verificar cumplimiento del Artículo 4
  - Asegurar límites de posición
  - Verificar límites sectoriales

Formato de salida

{
  "agent": "portfolio_manager",
  "recommendation": "REBALANCE|HOLD",
  "confidence": 0.85,
  "reasoning": "Transición a régimen RISK_OFF, necesidad de reducir el peso en acciones",
  "current_allocation": {
    "stocks": 0.76,
    "bonds": 0.18,
    "cash": 0.06,
    "total_value_usd": 100000
  },
  "target_allocation": {
    "stocks": 0.55,
    "bonds": 0.30,
    "cash": 0.15
  },
  "deviation": {
    "stocks": 0.21,
    "bonds": -0.12,
    "cash": -0.09,
    "max_deviation": 0.21
  },
  "rebalancing_trades": [
    {
      "action": "SELL",
      "asset_class": "stocks",
      "amount_usd": 21000,
      "reason": "Ajuste de acciones 76% → 55%"
    },
    {
      "action": "BUY",
      "asset_class": "bonds",
      "amount_usd": 12000,
      "reason": "Incremento de bonos 18% → 30%"
    },
    {
      "action": "INCREASE",
      "asset_class": "cash",
      "amount_usd": 9000,
      "reason": "Ampliación del peso en efectivo (posición defensiva)"
    }
  ],
  "risk_analysis": {
    "portfolio_beta": 1.15,
    "sharpe_ratio": 1.45,
    "max_drawdown": -0.08,
    "expected_volatility": 0.18
  },
  "sector_breakdown": {
    "Technology": 0.35,
    "Finance": 0.20,
    "Healthcare": 0.15,
    "Other": 0.30
  },
  "next_review_date": "2025-12-28"
}

Ejemplos

Ejemplo 1: RISK_ON → Asignación agresiva

Entrada:
- VIX: 15
- Crecimiento PIB: 3.0%
- Régimen de mercado: RISK_ON
- Actual: Acciones 55%, Bonos 30%, Efectivo 15%

Salida:
- Recomendación: REBALANCE
- Objetivo: Acciones 70%, Bonos 20%, Efectivo 10%
- Operaciones:
  * COMPRAR Acciones $15,000
  * VENDER Bonos $10,000
  * REDUCIR Efectivo $5,000

Ejemplo 2: RISK_OFF → Asignación defensiva

Entrada:
- VIX: 28
- Señales de recesión
- Régimen de mercado: RISK_OFF
- Actual: Acciones 70%, Bonos 20%, Efectivo 10%

Salida:
- Recomendación: URGENT_REBALANCE
- Objetivo: Acciones 40%, Bonos 40%, Efectivo 20%
- Operaciones:
  * VENDER Acciones $30,000
  * COMPRAR Bonos $20,000
  * INCREMENTAR Efectivo $10,000

Ejemplo 3: Desviación pequeña → Mantener

Entrada:
- Actual: Acciones 68%, Bonos 22%, Efectivo 10%
- Objetivo: Acciones 70%, Bonos 20%, Efectivo 10%
- Desviación: 2%, 2%, 0%

Salida:
- Recomendación: HOLD
- Razonamiento: "Desviación < 5%, considerando costos de transacción, es mejor mantener"

Ejemplo 4: Reequilibrio sectorial

Entrada:
- Tecnología: 45% (MÁX. 40%)
- Financiero: 15%
- Salud: 10%

Salida:
- Recomendación: SECTOR_REBALANCE
- Operaciones:
  * VENDER Acciones de tecnología $5,000 (45% → 40%)
  * COMPRAR Salud $3,000
  * COMPRAR Financiero $2,000

Guías

Recomendaciones ✅

  • Revisión periódica: Revisar semanal o quincenalmente
  • Priorizar el régimen de mercado: Asignación basada en el entorno macro
  • Reequilibrio gradual: Evitar cambios bruscos
  • Eficiencia fiscal: Reequilibrar considerando los impuestos

Evitar ❌

  • Prohibido el exceso de operaciones (considerar costos de transacción)
  • No reaccionar exageradamente a la volatilidad a corto plazo
  • No realizar cambios emocionales en la asignación
  • No violar el Artículo 4 de la constitución

Integración con el detector de régimen de mercado

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)

# Salida:
# {
#   "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"
#   }
# }

Algoritmo de reequilibrio

Reequilibrio basado en umbrales

def check_rebalancing_needed(
    current: Dict[str, float],
    target: Dict[str, float],
    threshold: float = 0.05
) -> bool:
    """Verificar si es necesario reequilibrar"""
    
    for asset_class in target.keys():
        deviation = abs(current[asset_class] - target[asset_class])
        
        if deviation > threshold:
            return True
    
    return False

# Ejemplo
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

Cálculo de operaciones óptimas

def calculate_rebalancing_trades(
    current_allocation: Dict[str, float],
    target_allocation: Dict[str, float],
    total_portfolio_value: float
) -> List[Dict]:
    """Calcular operaciones óptimas para el reequilibrio"""
    
    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:  # Operación mínima $1,000
            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

Métricas de rendimiento

  • Frecuencia de reequilibrio: Objetivo de 1-2 veces al mes
  • Costos de transacción: < 0.5% del valor de la cartera
  • Mejora del ratio de Sharpe: Objetivo de +10% frente a comprar y mantener
  • Reducción de la caída máxima: Objetivo de -20% frente a una cartera no gestionada

Cumplimiento constitucional

from backend.constitution import Constitution

constitution = Constitution()

# Validar operaciones de reequilibrio
for trade in rebalancing_trades:
    # Verificar si la nueva asignación viola el Artículo 4
    new_allocation = apply_trade(current_allocation, trade)
    
    is_valid, violations, _ = constitution.validate_allocation(
        new_allocation,
        current_positions
    )
    
    if not is_valid:
        # Ajustar la operación para cumplir
        trade = adjust_trade_for_compliance(trade, violations)

Dimensionamiento de posiciones ajustado al riesgo

Integración con la teoría moderna de carteras (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:
    """Optimizar cartera usando MPT"""
    
    n_assets = len(returns)
    
    # Objetivo: Maximizar el ratio de Sharpe
    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  # Minimizar Sharpe negativo
    
    # Restricciones
    constraints = [
        {'type': 'eq', 'fun': lambda w: np.sum(w) - 1},  # Suma igual a 1
        {'type': 'ineq', 'fun': lambda w: w}  # No negativos
    ]
    
    # Límites (máx. 15% por acción)
    bounds = tuple((0, 0.15) for _ in range(n_assets))
    
    # Estimación inicial
    x0 = np.array([1/n_assets] * n_assets)
    
    # Optimizar
    result = minimize(objective, x0, method='SLSQP', bounds=bounds, constraints=constraints)
    
    return result.x

Colaboración con otros agentes

War Room → Señales de trading
  ↓
Gestor de cartera → Verificar asignación actual
  ↓
SI la nueva posición causa desequilibrio:
  → Sugerir tamaño de posición parcial
  O
  → Recomendar vender otras posiciones primero

Ejemplo:
War Room: COMPRAR AAPL $15,000
Gestor de cartera: "El sector tecnológico ya tiene un 38%, COMPRAR solo $10,000"

Informes

Informe semanal de cartera

# Informe de rendimiento de la cartera - Semana del 21 de diciembre de 2025

## Asignación de activos
- Acciones: 68% (Objetivo: 70%) ✓
- Bonos: 22% (Objetivo: 20%) ⚠️
- Efectivo: 10% (Objetivo: 10%) ✓

## Rendimiento
- Rendimiento semanal: +2.3%
- Rendimiento acumulado del año: +15.7%
- Ratio de Sharpe: 1.45
- Reducción máxima: -8.2%

## Acciones realizadas
- Ninguna (dentro de la tolerancia)

## Próxima revisión: 2025-12-28

Historial de versiones

  • v1.0 (2025-12-21): Versión inicial con optimización MPT e integración del régimen de mercado.

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".

Skills relacionados