KaigorodovTuskul/modelos-de-portafolio

Seleccionar, formular, implementar, comparar o auditar modelos de optimización de portafolios, incluyendo MVO, GMV, Black-Litterman, CVaR, CDaR, presupuesto de riesgo, HRP, Kelly, MVO robusto de covarianza/media y DRO de Wasserstein. Útil para asignación de activos, control de errores de estimación, pruebas de estrés, descomposición de riesgo y backtesting puntual.

¿Qué es modelos-de-portafolio?

Este skill está diseñado para guiar a agentes de IA en la selección, formulación, implementación, comparación o auditoría de modelos de optimización de portafolios. Es útil para tareas de asignación de activos, control de errores de estimación, pruebas de estrés, descomposición de riesgo y backtesting puntual. Soporta una amplia gama de modelos, desde los clásicos como MVO y GMV hasta enfoques avanzados como Black-Litterman, CVaR, CDaR, presupuesto de riesgo, HRP, Kelly, MVO robusto con covarianza/media y DRO de Wasserstein. El flujo de trabajo se estructura en seis pasos: enmarcar el problema económico, normalizar los datos, seleccionar el modelo apropiado mediante un mapa de modelos, ejecutar los cálculos con scripts verificables, validar los resultados mediante un protocolo de backtesting y resolver disputas remitiéndose a fuentes originales. Se enfatiza el uso de retornos totales decimales, la disponibilidad de datos puntuales, la distinción entre modelos robustos y genéricos, y la presentación de resultados con métricas de rendimiento e intervalos de incertidumbre.

Compatible con~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/KaigorodovTuskul/portfolio-models-agent-skill/tree/HEAD/skills/portfolio-models

Installed? Explore more Investigación y análisis de datos skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

Preguntar en tu IA favorita

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

Documentación

Modelos de Portafolio

Contrato: Especifique el objetivo económico, el problema de optimización preciso, los supuestos de datos, las restricciones y el punto de referencia antes de seleccionar un modelo. Utilice únicamente las referencias relevantes para la tarea.

Procedimiento

  1. Enmarcar. Registre el tipo de inversor, la moneda base, los activos invertibles, la frecuencia de evaluación, el objetivo de rendimiento, las pérdidas toleradas, la liquidez, las ventas en corto/apalancamiento, la rotación, los límites por activo y el horizonte de tenencia. Determine si la respuesta es conceptual, computacional o una afirmación empírica. Completar cuando: el objetivo y las restricciones sean explícitos.
  2. Normalizar. Para cálculos que involucren precios, rendimientos, bonos, FX, derivados, tasas o efectivo, cargue la notación y los datos. Requiera disponibilidad puntual y consistencia de retorno total. Completar cuando: todas las columnas compartan moneda y período de observación; se identifiquen valores faltantes/desactualizados.
  3. Enrutar. Para la selección del modelo, cargue el mapa de modelos y luego solo la rama necesaria: clásicos, diversificación, presupuestos de riesgo y regularización, colas y reducciones, robustez y DRO, o Kelly y antifragilidad. Completar cuando: se especifiquen la variante matemática exacta, la fuente y el método numérico.
  4. Calcular. Para un cálculo ejecutable, consulte los ejemplos resueltos y los módulos ejecutables scripts/models.py y scripts/advanced_models.py. Verifique el estado del solucionador, las restricciones, el objetivo en los pesos devueltos, los casos límite y las unidades numéricas. Completar cuando: la invocación reproducible y las comprobaciones tengan éxito.
  5. Validar. Para afirmaciones históricas, utilice el protocolo de backtesting, las métricas e inferencia y los modos de fallo. Completar cuando: se informen la cronología completa fuera de la muestra, los supuestos de negociación, los costos, los puntos de referencia simples, el estrés y la incertidumbre.
  6. Resolver disputas. Siga el rastreo de fórmulas hasta el catálogo de fuentes anotadas. Lea el artículo original para obtener soporte específico del teorema, detalles del conjunto de ambigüedad y cualquier excepción material. Completar cuando: la fórmula real se distinga de las aproximaciones y las implementaciones.

Invariantes matemáticos y empíricos

  • Utilice retornos totales simples decimales con una frecuencia de muestreo consistente; anualice solo en el momento del informe. Un índice de precios, tipo de cambio oficial o tasa de política no es un instrumento invertible y sin fricciones.
  • Optimice utilizando únicamente la información disponible antes de la decisión. Ajuste los pronósticos y los hiperparámetros en datos pasados anidados. Evalúe los costos de negociación, la deriva, las suspensiones, el margen y la conversión de FX según corresponda.
  • Proporcione el conjunto de incertidumbre exacto antes de llamar robusto a un modelo. El DRO de Wasserstein implementado es un caso específico de CVaR con 1-Wasserstein, L1-suelo, soporte no acotado y pérdida lineal, no un motor DRO genérico.
  • Informe las reducciones empíricas mensuales/diarias por separado del CDaR de P&L aditivo, que no es equivalente a la reducción del NAV compuesto.
  • Diferentes métodos necesitan fechas comunes, universos factibles, riesgo realizado comparable y líneas base simples. Un CAGR alto por sí solo no establece superioridad estadística.
  • Una cobertura con opciones, una posición corta de seguimiento de tendencia o un portafolio estable no es automáticamente antifrágil. Evalúe la convexidad, el costo de transporte, los rendimientos condicionales de cola y el acceso de ejecución por separado.

Salida

Para metodología: modelo, objetivo/ecuaciones, restricciones, estimadores, hiperparámetros, casos límite, fuente, ilustración ejecutable. Para un punto de referencia, también informe fecha, instrumentos disponibles, fechas exactas fuera de la muestra, ventanas de entrenamiento/validación, costos de transacción, línea base, CAGR, volatilidad realizada, reducción, CVaR, rotación, intervalos de incertidumbre y limitaciones de datos/ejecución.

El archivo de entrada enruta el trabajo; no duplica las matemáticas. Mantenga todo el código nuevo, las fórmulas y los experimentos en la referencia o script apropiados en lugar de expandir este archivo.

Skills relacionados