KaigorodovTuskul/portfolio-models

Sélectionner, formuler, implémenter, comparer ou auditer des modèles d'optimisation de portefeuille incluant MVO, GMV, Black-Litterman, CVaR, CDaR, Risk Budgeting, HRP, Kelly, MVO à covariance/moyenne robuste et Wasserstein DRO. Utilisé pour l'allocation d'actifs, le contrôle de l'erreur d'estimation, les tests de stress, la décomposition du risque et le backtesting point-in-time.

Qu'est-ce que portfolio-models ?

Ce skill permet de travailler avec une large gamme de modèles d'optimisation de portefeuille, des classiques (MVO, GMV, Black-Litterman) aux plus avancés (CVaR, CDaR, Risk Budgeting, HRP, Kelly, MVO robuste et Wasserstein DRO). Il est conçu pour des agents d'IA travaillant dans le domaine de la gestion quantitative d'actifs et du développement d'outils financiers. Le skill guide l'utilisateur à travers un processus structuré en six étapes : cadrage de l'objectif, normalisation des données, sélection du modèle via une arborescence de références, calcul avec des scripts exécutables, validation via un protocole de backtesting et résolution de litiges en remontant aux sources académiques. Il insiste sur des invariants mathématiques et empiriques essentiels, comme l'utilisation de rendements totaux simples en décimales, l'optimisation uniquement sur des données disponibles avant la décision, et la distinction entre les mesures de risque. Le skill est supporté par un ensemble de fichiers de référence et de scripts Python, et il est adapté aux plateformes d'agents de codage comme Claude Code, Cursor ou Codex. Son utilité principale est de fournir une méthodologie rigoureuse et reproductible pour la sélection et l'implémentation de modèles de portefeuille, évitant les erreurs courantes et assurant la validité des résultats.

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

Installed? Explore more Recherche et analyse de données skills: affaan-m/uspto-database, affaan-m/scholar-evaluation, affaan-m/literature-review · View all 6 →

Demander à votre IA préférée

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

Documentation

Modèles de Portefeuille

Contrat : Spécifiez l'objectif économique, le problème d'optimisation précis, les hypothèses de données, les contraintes et le benchmark avant de sélectionner un modèle. Utilisez uniquement les références pertinentes pour la tâche.

Procédure

  1. Cadrage. Enregistrez le type d'investisseur, la devise de référence, les actifs investissables, la fréquence d'évaluation, l'objectif de rendement, les pertes tolérées, la liquidité, les ventes à découvert/effet de levier, le turnover, les limites par actif et l'horizon de détention. Déterminez si la réponse est conceptuelle, computationnelle ou une affirmation empirique. Terminé lorsque : l'objectif et les contraintes sont explicites.
  2. Normalisation. Pour les calculs impliquant des prix, rendements, obligations, devises, dérivés, taux ou liquidités, chargez la notation et les données. Exigez une disponibilité point-in-time et une cohérence des rendements totaux. Terminé lorsque : toutes les colonnes partagent la devise et la période d'observation ; les valeurs manquantes/obsolètes sont identifiées.
  3. Orientation. Pour la sélection du modèle, chargez la carte des modèles, puis uniquement la branche nécessaire : classique, diversification, budgets de risque et régularisation, queues de distribution et drawdowns, robustesse et DRO, ou Kelly et antifragilité. Terminé lorsque : la variante mathématique exacte, la source et la méthode numérique sont spécifiées.
  4. Calcul. Pour un calcul exécutable, consultez les exemples pratiques et les modules exécutables scripts/models.py et scripts/advanced_models.py. Vérifiez le statut du solveur, les contraintes, l'objectif aux poids retournés, les cas limites et les unités numériques. Terminé lorsque : l'invocation reproductible et les vérifications réussissent.
  5. Validation. Pour les affirmations historiques, utilisez le protocole de backtesting, les métriques et l'inférence, et les modes de défaillance. Terminé lorsque : la chronologie complète hors échantillon, les hypothèses de trading, les coûts, les benchmarks simples, le stress et l'incertitude sont rapportés.
  6. Résolution des litiges. Suivez la trace de formule jusqu'au catalogue de sources annoté. Lisez l'article original pour un support spécifique au théorème, les détails de l'ensemble d'ambiguïté et toute exception matérielle. Terminé lorsque : la formule réelle est distinguée des approximations et des implémentations.

Invariants mathématiques et empiriques

  • Utilisez des rendements totaux simples en décimales avec une fréquence d'échantillonnage cohérente ; annualisez uniquement au moment du rapport. Un indice de prix, un taux de change officiel ou un taux directeur n'est pas un instrument investissable et sans friction.
  • Optimisez en utilisant uniquement les informations disponibles avant la décision. Ajustez les prévisions et les hyperparamètres sur des données passées imbriquées. Évaluez les coûts de transaction, la dérive, les suspensions, la marge et la conversion de change selon le cas.
  • Donnez l'ensemble d'incertitude exact avant de qualifier un modèle de robuste. Le Wasserstein DRO implémenté est un cas spécifique 1-Wasserstein, L1-ground, support non borné, perte linéaire CVaR—pas un moteur DRO générique.
  • Rapportez les drawdowns mensuels/quotidiens empiriques séparément du CDaR en P&L additif, qui n'est pas équivalent au drawdown composé de la valeur nette d'inventaire.
  • Différentes méthodes nécessitent des dates communes, des univers réalisables, un risque réalisé comparable et des bases de référence simples. Un CAGR élevé seul n'établit pas la supériorité statistique.
  • Une couverture par options, une position courte suiveuse de tendance ou un portefeuille stable n'est pas automatiquement antifragile. Évaluez la convexité, le coût de portage, les rendements conditionnels de queue et l'accès à l'exécution séparément.

Résultat

Pour la méthodologie : modèle, objectif/équations, contraintes, estimateurs, hyperparamètres, cas limites, source, illustration exécutable. Pour un benchmark, rapportez également la date de référence, les instruments disponibles, les dates exactes hors échantillon, les fenêtres d'entraînement/validation, les coûts de transaction, la base de référence, le CAGR, la volatilité réalisée, le drawdown, le CVaR, le turnover, les intervalles d'incertitude et les limitations des données/exécution.

Le fichier d'entrée achemine le travail ; il ne duplique pas les mathématiques. Gardez tout nouveau code, formules et expériences dans la référence ou le script approprié plutôt que d'étendre ce fichier.

Skills associés