Communitygithub.com

BattleTree - Gestionnaire de Portefeuille

Optimiseur d'allocation et de rééquilibrage de portefeuille. Gère la répartition des actifs entre actions/liquidités/obligations, effectue un rééquilibrage périodique et assure la diversification en fonction du régime de marché et de la tolérance au risque.

Qu'est-ce que BattleTree - Gestionnaire de Portefeuille ?

Cette compétence d'agent IA, BattleTree, agit comme un gestionnaire de portefeuille automatisé, capable d'optimiser l'allocation d'actifs et le rééquilibrage en fonction des régimes de marché (RISK_ON, RISK_OFF, TRANSITION) et de la tolérance au risque définie par l'utilisateur. Elle est conçue pour les plateformes d'agents de codage comme Claude Code, Cursor ou Codex, et peut être intégrée dans un système multi-agents. Elle analyse la composition actuelle du portefeuille, détecte le régime de marché (via des indicateurs comme le VIX, la croissance du PIB ou la courbe des taux), puis calcule l'allocation cible optimale. L'agent déclenche des recommandations de rééquilibrage (REBALANCE, URGENT_REBALANCE ou HOLD) lorsque les écarts par rapport aux cibles dépassent des seuils configurables (par exemple, 5 %). Elle utilise une variante du critère de Kelly pour le dimensionnement des positions, applique des limites sectorielles (ex: Tech max 40%) et respecte des règles constitutionnelles (comme l'article 4) pour garantir la conformité. La compétence intègre également des métriques de risque (Beta, Sharpe Ratio, Drawdown), un calcul de trades optimaux basé sur un seuil minimum (1000 $), et une optimisation par la théorie moderne du portefeuille (MPT) pour maximiser le ratio de Sharpe. Elle produit des rapports hebdomadaires et collabore avec d'autres agents (ex: War Room) pour ajuster les positions sans violer les contraintes de diversification.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/MikeCheng1208/BattleTree/tree/HEAD/.agents/skills/portfolio-manager-agent

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Agent Gestionnaire de Portefeuille - Portfolio Manager

Rôle

Gérer l'allocation d'actifs, le rééquilibrage et la diversification d'un portefeuille pour optimiser le rendement ajusté au risque.

Capacités principales

1. Stratégie d'allocation d'actifs

Allocation dynamique selon le régime de marché

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

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

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

Diversification sectorielle

Tech : maximum 40 %
Finance : maximum 30 %
Santé : maximum 25 %
Autres secteurs : maximum 20 % chacun

2. Déclencheurs de rééquilibrage

SI écart > 5 % :
  → Rééquilibrage recommandé

Exemple :
Cible : Actions 70 %
Actuel : Actions 76 %
Écart : +6 % → RÉÉQUILIBRER

SI écart > 10 % :
  → Rééquilibrage urgent
  → Notification immédiate

3. Surveillance des métriques de risque

  • Bêta du portefeuille : volatilité par rapport au marché
  • Ratio de Sharpe : rendement ajusté au risque
  • Drawdown maximal : perte maximale
  • Matrice de corrélation : corrélation entre les actifs

4. Dimensionnement des positions

# Critère de Kelly (modifié)
taille_position = (taux_gain * gain_moyen - (1 - taux_gain) * perte_moyenne) / gain_moyen

# Limites de position
taille_position = min(taille_position, POSITION_MAX_UNIQUE)  # 15 %

Cadre décisionnel

Étape 1 : Analyser le portefeuille actuel
  - Allocation actuelle
  - Positions individuelles
  - Répartition sectorielle
  - Métriques de risque

Étape 2 : Détecter le régime de marché
  from backend.ai.market_regime import MarketRegimeDetector
  regime = detecteur.detecter_regime(donnees_marche)

Étape 3 : Déterminer l'allocation cible
  En fonction du régime :
    - RISK_ON → Agressif (70/20/10)
    - RISK_OFF → Conservateur (40/40/20)
    - TRANSITION → Équilibré (55/30/15)

Étape 4 : Calculer l'écart
  écart = |actuel - cible|

Étape 5 : Décision de rééquilibrage
  SI écart > seuil :
    → Générer des ordres de rééquilibrage
  SINON :
    → Conserver l'allocation actuelle

Étape 6 : Appliquer les limites constitutionnelles
  - Vérifier la conformité à l'article 4
  - Assurer le respect des limites de position
  - Vérifier les limites sectorielles

Format de sortie

{
  "agent": "gestionnaire_portefeuille",
  "recommandation": "REBALANCE|HOLD",
  "confiance": 0.85,
  "raisonnement": "Régime de marché RISK_OFF, réduction de la part actions nécessaire",
  "allocation_actuelle": {
    "actions": 0.76,
    "obligations": 0.18,
    "liquidites": 0.06,
    "valeur_totale_usd": 100000
  },
  "allocation_cible": {
    "actions": 0.55,
    "obligations": 0.30,
    "liquidites": 0.15
  },
  "ecart": {
    "actions": 0.21,
    "obligations": -0.12,
    "liquidites": -0.09,
    "ecart_maximum": 0.21
  },
  "ordres_re equilibrage": [
    {
      "action": "SELL",
      "classe_actif": "actions",
      "montant_usd": 21000,
      "raison": "Ajustement part actions de 76 % à 55 %"
    },
    {
      "action": "BUY",
      "classe_actif": "obligations",
      "montant_usd": 12000,
      "raison": "Augmentation part obligations de 18 % à 30 %"
    },
    {
      "action": "INCREASE",
      "classe_actif": "liquidites",
      "montant_usd": 9000,
      "raison": "Augmentation de la part liquidités (position défensive)"
    }
  ],
  "analyse_risque": {
    "beta_portefeuille": 1.15,
    "ratio_sharpe": 1.45,
    "drawdown_max": -0.08,
    "volatilite_attendue": 0.18
  },
  "repartition_sectorielle": {
    "Technologie": 0.35,
    "Finance": 0.20,
    "Santé": 0.15,
    "Autres": 0.30
  },
  "prochaine_date_revision": "2025-12-28"
}

Exemples

Exemple 1 : RISK_ON → Allocation agressive

Entrée :
- VIX : 15
- Croissance PIB : 3,0 %
- Régime de marché : RISK_ON
- Actuel : Actions 55 %, Obligations 30 %, Liquidités 15 %

Sortie :
- Recommandation : RÉÉQUILIBRER
- Cible : Actions 70 %, Obligations 20 %, Liquidités 10 %
- Ordres :
  * ACHETER Actions 15 000 $
  * VENDRE Obligations 10 000 $
  * RÉDUIRE Liquidités 5 000 $

Exemple 2 : RISK_OFF → Allocation défensive

Entrée :
- VIX : 28
- Signaux de récession
- Régime de marché : RISK_OFF
- Actuel : Actions 70 %, Obligations 20 %, Liquidités 10 %

Sortie :
- Recommandation : RÉÉQUILIBRAGE URGENT
- Cible : Actions 40 %, Obligations 40 %, Liquidités 20 %
- Ordres :
  * VENDRE Actions 30 000 $
  * ACHETER Obligations 20 000 $
  * AUGMENTER Liquidités 10 000 $

Exemple 3 : Écart faible → Maintien

Entrée :
- Actuel : Actions 68 %, Obligations 22 %, Liquidités 10 %
- Cible : Actions 70 %, Obligations 20 %, Liquidités 10 %
- Écart : 2 %, 2 %, 0 %

Sortie :
- Recommandation : HOLD
- Raisonnement : "Écart < 5 %, compte tenu des coûts de transaction, le maintien est préférable"

Exemple 4 : Rééquilibrage sectoriel

Entrée :
- Tech : 45 % (MAX 40 %)
- Finance : 15 %
- Santé : 10 %

Sortie :
- Recommandation : RÉÉQUILIBRAGE_SECTORIEL
- Ordres :
  * VENDRE Actions Tech 5 000 $ (45 % → 40 %)
  * ACHETER Santé 3 000 $
  * ACHETER Finance 2 000 $

Directives

À faire ✅

  • Révision régulière : Contrôle hebdomadaire ou bihebdomadaire
  • Priorité au régime de marché : Allocation basée sur l'environnement macroéconomique
  • Rééquilibrage progressif : Éviter les changements brusques
  • Efficacité fiscale : Rééquilibrage fiscalement optimisé

À ne pas faire ❌

  • Éviter les transactions excessives (tenir compte des coûts)
  • Ne pas réagir de manière excessive à la volatilité à court terme
  • Ne pas modifier l'allocation sur un coup de tête
  • Ne pas violer l'article 4 de la constitution

Intégration avec le détecteur de régime de marché

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

detecteur = MarketRegimeDetector()

donnees_regime = {
    'vix': 18,
    'courbe_taux_10y2y': 0.3,
    'position_fed': 'neutre',
    'croissance_pib': 0.025,
    'chomage': 0.038,
    'ipc': 0.028
}

regime = detecteur.detecter_regime(donnees_regime)

# Sortie :
# {
#   "regime_actuel": "RISK_ON",
#   "confiance": 0.75,
#   "allocation_actifs_recommandee": {
#     "actions": 0.70,
#     "obligations": 0.20,
#     "liquidites": 0.10
#   },
#   "indicateurs_regime": {
#     "signal_vix": "FAIBLE_VOLATILITE",
#     "signal_courbe_taux": "NORMAL",
#     "signal_macro": "EXPANSION"
#   }
# }

Algorithme de rééquilibrage

Rééquilibrage basé sur un seuil

def verifier_besoin_re equilibrage(
    actuel: Dict[str, float],
    cible: Dict[str, float],
    seuil: float = 0.05
) -> bool:
    """Vérifie si un rééquilibrage est nécessaire"""
    
    for classe_actif in cible.keys():
        ecart = abs(actuel[classe_actif] - cible[classe_actif])
        
        if ecart > seuil:
            return True
    
    return False

# Exemple
actuel = {'actions': 0.76, 'obligations': 0.18, 'liquidites': 0.06}
cible = {'actions': 0.70, 'obligations': 0.20, 'liquidites': 0.10}

necessite_re equilibre = verifier_besoin_re equilibrage(actuel, cible)  # True

Calcul optimal des ordres

def calculer_ordres_re equilibrage(
    allocation_actuelle: Dict[str, float],
    allocation_cible: Dict[str, float],
    valeur_totale_portefeuille: float
) -> List[Dict]:
    """Calcule les ordres optimaux pour le rééquilibrage"""
    
    ordres = []
    
    for classe_actif, pct_cible in allocation_cible.items():
        pct_actuel = allocation_actuelle[classe_actif]
        valeur_actuelle = pct_actuel * valeur_totale_portefeuille
        valeur_cible = pct_cible * valeur_totale_portefeuille
        
        difference = valeur_cible - valeur_actuelle
        
        if abs(difference) > 1000:  # Ordre minimum 1 000 $
            action = "ACHETER" if difference > 0 else "VENDRE"
            ordres.append({
                "classe_actif": classe_actif,
                "action": action,
                "montant_usd": abs(difference),
                "de_pct": pct_actuel,
                "a_pct": pct_cible
            })
    
    return ordres

Métriques de performance

  • Fréquence de rééquilibrage : Objectif : 1 à 2 fois par mois
  • Coûts de transaction : < 0,5 % de la valeur du portefeuille
  • Amélioration du ratio de Sharpe : Objectif : +10 % par rapport à une stratégie d'achat et de conservation
  • Réduction du drawdown : Objectif : -20 % par rapport à un portefeuille non géré

Conformité constitutionnelle

from backend.constitution import Constitution

constitution = Constitution()

# Valider les ordres de rééquilibrage
for ordre in ordres_re equilibrage:
    # Vérifier si la nouvelle allocation viole l'article 4
    nouvelle_allocation = appliquer_ordre(allocation_actuelle, ordre)
    
    est_valide, violations, _ = constitution.valider_allocation(
        nouvelle_allocation,
        positions_actuelles
    )
    
    if not est_valide:
        # Ajuster l'ordre pour se conformer
        ordre = ajuster_ordre_conformite(ordre, violations)

Dimensionnement des positions ajusté au risque

Intégration de la théorie moderne du portefeuille (MPT)

import numpy as np
from scipy.optimize import minimize

def optimiser_portefeuille(
    rendements: np.array,
    covariance: np.array,
    taux_sans_risque: float = 0.03
) -> np.array:
    """Optimiser le portefeuille à l'aide de la MPT"""
    
    n_actifs = len(rendements)
    
    # Objectif : maximiser le ratio de Sharpe
    def objectif(poids):
        rendement_portefeuille = np.dot(poids, rendements)
        ecart_type_portefeuille = np.sqrt(np.dot(poids, np.dot(covariance, poids)))
        sharpe = (rendement_portefeuille - taux_sans_risque) / ecart_type_portefeuille
        return -sharpe  # Minimiser le Sharpe négatif
    
    # Contraintes
    contraintes = [
        {'type': 'eq', 'fun': lambda p: np.sum(p) - 1},  # Somme à 1
        {'type': 'ineq', 'fun': lambda p: p}  # Non négatif
    ]
    
    # Bornes (max 15 % par action)
    bornes = tuple((0, 0.15) for _ in range(n_actifs))
    
    # Estimation initiale
    x0 = np.array([1/n_actifs] * n_actifs)
    
    # Optimiser
    resultat = minimize(objectif, x0, method='SLSQP', bounds=bornes, constraints=contraintes)
    
    return resultat.x

Collaboration avec d'autres agents

War Room → Signaux de trading
  ↓
Gestionnaire de portefeuille → Vérifier l'allocation actuelle
  ↓
SI une nouvelle position crée un déséquilibre :
  → Suggérer une taille de position partielle
  OU
  → Recommander la vente d'autres positions en premier

Exemple :
War Room : ACHETER AAPL 15 000 $
Gestionnaire de portefeuille : "Le secteur Tech est déjà à 38 %, acheter seulement 10 000 $"

Rapports

Rapport de portefeuille hebdomadaire

# Rapport de performance du portefeuille - Semaine du 2025-12-21

## Allocation d'actifs
- Actions : 68 % (Cible : 70 %) ✓
- Obligations : 22 % (Cible : 20 %) ⚠️
- Liquidités : 10 % (Cible : 10 %) ✓

## Performance
- Rendement hebdomadaire : +2,3 %
- Rendement depuis le début de l'année : +15,7 %
- Ratio de Sharpe : 1,45
- Drawdown maximal : -8,2 %

## Actions prises
- Aucune (dans la tolérance)

## Prochaine révision : 2025-12-28

Historique des versions

  • v1.0 (2025-12-21) : Version initiale avec optimisation MPT et intégration du régime de marché

Individual skills in this repo

This repo contains 12 individual skills — each has its own dedicated page.

MikeCheng1208/BattleTree

Index-based file discovery using ABOUTME headers. Use INSTEAD of grep or Explore agent when searching for files by purpose or feature. Faster and more accurate than scanning code. Invoke this skill when user asks "which files handle X", "where is Y implemented", or when you need to find files related to a feature or task.

MikeCheng1208/BattleTree

Factor modeling and portfolio construction (Markowitz, Black-Litterman, constraints, turnover).

MikeCheng1208/BattleTree

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

MikeCheng1208/BattleTree

Analyze the CustomGPT.ai Labs Innovation workbook and cost tracking data to surface portfolio-level insights, trends, and recommendations for where to focus Innovation efforts.

MikeCheng1208/BattleTree

Personal meta-skill for Arach. Use this as the entry point to understand arach's projects, conventions, and available skills. Activates on "arach's projects", "what does arach work on", or when working in any arach/* repo.

MikeCheng1208/BattleTree

High-converting landing pages. Copy + design + implementation. Triggers: landing page, conversion page.

MikeCheng1208/BattleTree

Expert in building portfolios that actually land jobs and clients - not just showing work, but creating memorable experiences. Covers developer portfolios, designer portfolios, creative portfolios,...

MikeCheng1208/BattleTree

Automate Klipfolio tasks via Rube MCP (Composio). Always search tools first for current schemas.

MikeCheng1208/BattleTree

Minimalist, typography-focused portfolio design system inspired by neo-brutalist and Swiss design principles. Emphasizes bold typography, generous whitespace, monochromatic color schemes, and elegant simplicity for developer/designer portfolios.

MikeCheng1208/BattleTree

Optimize project portfolio selection under constraints using mathematical optimization

MikeCheng1208/BattleTree

Detect and explain risk drift in lending portfolios over time using vintage analysis, migration matrices, and concentration metrics. Use when monitoring portfolio credit quality trends, preparing board risk reports, conducting stress testing, or when risk metrics deviate from appetite thresholds.

MikeCheng1208/BattleTree

Build a GitHub portfolio that gets you hired — curate 3-5 polished projects, craft compelling READMEs, deploy live demos, tell a coherent story across your repos, and align everything to AI-native development roles. Use when preparing your GitHub for job searches, deciding what to pin, or auditing your public presence.

Skills associés