Communitygithub.com

vishnup22/FinSight-AI

Análisis de asignación de cartera para entre 2 y 10 acciones de EE. UU. y/o India usando FinSight-AI. Calcula pesos óptimos de igual ponderación frente a máxima Sharpe, matriz de correlación y métricas de riesgo a nivel de cartera. Úsalo cuando el usuario proporcione una lista de tickers y solicite asignación, diversificación u optimización de cartera. No genera narrativas por acción individual; para eso usa /analyse.

¿Qué es FinSight-AI?

Esta habilidad, **vishnup22/FinSight-AI**, permite a un agente de IA realizar un análisis completo de asignación de cartera de entre 2 y 10 acciones de los mercados de EE. UU. e India. Calcula dos estrategias de asignación: la de **igual ponderación** y la de **máxima ratio de Sharpe** (óptima), y presenta una comparación lado a lado de métricas clave como el rendimiento anual esperado, la volatilidad, el ratio de Sharpe y el Valor en Riesgo (VaR) al 95%. También genera una **matriz de correlación** para identificar pares de activos que aportan o restan diversificación, e incluye un análisis de riesgos adicionales como el riesgo de tipo de cambio (FX) para acciones indias. La habilidad está diseñada para integrarse con un backend local (puerto 8000) que ejecuta la API de FinSight-AI. El flujo de trabajo comienza cuando el usuario proporciona una lista de tickers y solicita optimización; el agente parsea los tickers, envía un trabajo asíncrono, consulta el estado hasta que se completa y luego recupera los resultados. Finalmente, interpreta los datos para ofrecer una recomendación concisa de 2 a 3 oraciones, indicando si conviene usar la cartera de igual ponderación o la óptima, destacando los principales componentes y señalando cualquier preocupación de diversificación o riesgo FX. La habilidad maneja errores comunes, como tickers con historial insuficiente o fallos del optimizador, y proporciona mensajes claros al usuario para corregirlos.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/vishnup22/FinSight-AI/tree/HEAD/skills/portfolio

Preguntar en tu IA favorita

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

Documentación

Cartera — Optimización de igual ponderación frente a máxima Sharpe

Ver reference.md para formatos de tickers.


Requisitos previos

GET http://localhost:8000/health

Debe devolver {"status": "ok"}. Si no es así: indicar al usuario que ejecute python backend/run.py.


Paso 1 — Analizar tickers

  • Extraer todos los símbolos de ticker del mensaje. Convertir a mayúsculas y eliminar espacios.
  • Mínimo 2, máximo 10. La API rechaza duplicados; eliminar duplicados silenciosamente y anotarlo.
  • Si se proporcionan menos de 2 tickers, solicitar más antes de continuar.

Paso 2 — Enviar trabajo de cartera

POST http://localhost:8000/api/v1/portfolio
Content-Type: application/json

{"tickers": ["T1", "T2", "..."], "query": "Optimizar la asignación para obtener el máximo rendimiento ajustado al riesgo."}

Respuesta: {"job_id": "<uuid>", "status": "pending", "message": "..."}

Indicar al usuario:

Trabajo de cartera enviado para {n} tickers. Obteniendo historial de precios de 1 año y optimizando… normalmente 15–30 s.


Paso 3 — Consultar estado

GET http://localhost:8000/api/v1/status/{job_id}

Cada 5 s hasta que sea completed o failed.


Paso 4 — Obtener resultado

GET http://localhost:8000/api/v1/result/{job_id}

Caso de error

Si el resultado contiene una clave error de nivel superior (ej. "Se requieren al menos dos tickers con historial de precios superpuesto"), explicar el problema en lenguaje sencillo y detenerse:

La optimización de cartera requiere al menos dos tickers con historial de negociación superpuesto durante el último año. Verificar que todos los tickers sean válidos y tengan suficiente historial.

Mapa de campos

CampoRutaNotas
Tickers usadostickersPuede diferir de la entrada si algunos no tenían datos
Filas de preciosprice_rowsNúmero de días de negociación superpuestos
Pesos igualesequal_weight.weights{ticker: decimal} — multiplicar por 100 para %
Rendimiento igualequal_weight.annual_return_pctYa en %
Volatilidad igualequal_weight.annual_volatility_pctYa en %
Sharpe igualequal_weight.sharpe_ratioAnualizado, tasa libre de riesgo = 5%
VaR igualequal_weight.var_95_daily_pctYa en %, diario
Pesos óptimosoptimal.weights{ticker: decimal} — multiplicar por 100 para %
Rendimiento óptimooptimal.annual_return_pctYa en %
Volatilidad óptimaoptimal.annual_volatility_pctYa en %
Sharpe óptimooptimal.sharpe_ratioAnualizado, tasa libre de riesgo = 5%
VaR óptimooptimal.var_95_daily_pctYa en %, diario
Optimizador exitosooptimal.optimizer_successbool
Mensaje del optimizadoroptimal.optimizer_messageSolo relevante si success = false
Matriz de correlacióncorrelation_matrixDiccionario anidado {ticker: {ticker: corr}}
VaR de carteraportfolio_var_95_daily_pctVaR diario de la cartera óptima, ya en %

Paso 5 — Interpretar y presentar

Pesos

Convertir pesos decimales a porcentajes (weight * 100, 1 decimal). Si algún peso es 0.0% en la cartera óptima, señalar que el optimizador excluyó ese activo (rendimiento insuficiente o alta correlación con otros).

Ratio de Sharpe

  • < 0: la cartera rinde menos que la tasa libre de riesgo (5%); reconsiderar la composición.
  • 0–1: rendimiento ajustado al riesgo pobre.
  • 1–2: bueno.
  • 2: excelente.

Comparar el Sharpe de igual ponderación con el Sharpe óptimo. Si el Sharpe óptimo es más alto, los pesos concentrados están justificados. Si son similares (diferencia < 0.1), la cartera de igual ponderación es casi igual de eficiente y más simple de rebalancear.

Matriz de correlación

Interpretar las correlaciones por pares:

  • 0.80: altamente correlacionados — estos dos activos se mueven casi juntos; mantener ambos añade poca diversificación.

  • 0.50–0.80: correlación moderada — cierto movimiento conjunto, beneficio de diversificación parcial.
  • < 0.30: correlación baja — buen par de diversificación.
  • Cerca de 0 o negativa: fuerte diversificador.

Identificar el par con mayor correlación y el par con menor correlación y mencionarlos en la narrativa.

VaR

VaR diario al 95% de confianza: en el peor 1 de cada 20 días de negociación, la cartera históricamente ha perdido aproximadamente {portfolio_var_95_daily_pct}%. Anualizar con una estimación aproximada solo si es útil: multiplicar el VaR diario por √252 ≈ 15.9 para aproximar el VaR anual (notar que es una aproximación aproximada).

Fallo del optimizador

Si optimal.optimizer_success = false, decir:

El optimizador no convergió ({optimal.optimizer_message}). Los pesos óptimos se reemplazaron por los de igual ponderación: tratar la columna "óptima" como igual ponderación.

Acciones indias en la cartera

Si algún ticker termina en .NS o .BO, señalar que los activos denominados en INR introducen riesgo de tipo de cambio (FX) para inversores basados en USD. La matriz de correlación refleja rendimientos en moneda local y no captura la volatilidad de INR/USD.


Paso 6 — Recomendación

Después de presentar los datos, dar una recomendación de 2 a 3 oraciones:

  • Indicar si usar pesos de igual ponderación u óptimos y por qué (comparación de Sharpe).
  • Nombrar las 1–2 principales participaciones en la cartera óptima y qué impulsa su peso.
  • Señalar cualquier preocupación de diversificación (pares altamente correlacionados) o consideración de FX.

Salida

# Análisis de Cartera — {tickers separados por comas}

Historial de precios: {price_rows} días de negociación superpuestos (≈ {price_rows/252:.1f} años)

---

## Comparación de Asignación

| Ticker   | Peso igual | Peso óptimo |
|----------|------------|-------------|
| {ticker} | {ew*100:.1f}% | {ow*100:.1f}% |
| …        | …          | …           |

---

## Métricas de Cartera

| Métrica                   | Igual ponderación | Óptima (máx. Sharpe) |
|---------------------------|-------------------|----------------------|
| Rendimiento anual esperado | {eq_ret}%         | {opt_ret}%           |
| Volatilidad anual         | {eq_vol}%         | {opt_vol}%           |
| Ratio de Sharpe           | {eq_sh}           | {opt_sh}             |
| VaR (95%, 1 día)          | {eq_var}%         | {opt_var}%           |

{Si optimizer_success = false:
> ⚠ El optimizador no convergió ({optimizer_message}) — los pesos óptimos equivalen a los de igual ponderación.}

---

## Matriz de Correlación

| Ticker | {t1} | {t2} | … |
|--------|------|------|---|
| {t1}   | 1.00 | …    | … |
| …      | …    | …    | … |

**Par más correlacionado:** {t_a} / {t_b} con {corr:.2f} — beneficio de diversificación limitado.
**Par menos correlacionado:** {t_c} / {t_d} con {corr:.2f} — mayor beneficio de diversificación.

---

## Recomendación

{2–3 oraciones: elección entre igual y óptimo, fundamento de las participaciones clave, cualquier advertencia de diversificación o FX.}

{Si hay tickers .NS/.BO:
> ⚠ Las acciones indias ({lista}) están denominadas en INR. La matriz de correlación refleja rendimientos en moneda local y no captura el riesgo de tipo de cambio INR/USD para inversores basados en USD.}

Recuperación de errores

SituaciónAcción
Error de nivel superior en el resultadoExplicar el problema; pedir al usuario que verifique los tickers e intente de nuevo
Un ticker eliminado de la lista tickersSeñalar que tenía historial de precios insuficiente o no superpuesto
optimizer_success = falseExplicar la alternativa de igual ponderación; mostrar las métricas igualmente
Un solo ticker .NS/.BOSeñalar el riesgo FX; mostrarlo en la matriz de correlación como de costumbre

Skills relacionados