Communitygithub.com

NVlabs/Skill2Env

ユーザーが株式ポートフォリオの構築、最適化、バックテスト、リバランス、または平均-CVaR、効率的フロンティア、シナリオ生成、NVIDIA cuOptを用いた分析を要求した場合に使用します。

Skill2Env とは?

このスキルは、NVIDIA cuFOLIOパッケージを活用して、GPUアクセラレーションによる定量的ポートフォリオ最適化を実現します。具体的には、株価データから対数リターンを計算し、KDE(カーネル密度推定)を用いてシナリオを生成した後、NVIDIA cuOptソルバーを使用して平均-CVaR(条件付きバリュー・アット・リスク)最適化問題を解きます。ユーザーは、効率的フロンティアのプロット、リスク回避度に応じたウェイト表の作成、等 weight ベンチマークに対するバックテスト、および定期的なリバランスワークフローの実行が可能です。このスキルは、Claude Code、Cursor、Codex などのAIエージェント環境で使用することを想定しており、CPUソルバーへのフォールバックは意図的に禁止されているため、正確な最適化結果を得るにはNVIDIA GPUランタイムが必要です。デフォルトのデータセットはS&P 500の価格履歴であり、初回実行時にダウンロードが促されます。

対応~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/NVlabs/Skill2Env/tree/HEAD/SkillHub/skills/nvidia/cufolio

お気に入りのAIに質問する

このエージェントスキルを事前に読み込んだ状態で新しいチャットを開きます。

ドキュメント

cuFOLIO スキル

目的

NVIDIA で高速化された平均-CVaR 最適化を用いて、定量的なポートフォリオを構築・分析します。cuFOLIO を使用して、リターンの計算、KDE シナリオの生成、cuOpt GPU ソルバーによる配分の解決、効率的フロンティアのトレース、ポートフォリオのバックテスト、および価格データからのリバランスワークフローの実行を行います。

使用するタイミング

以下のタスクを実行する場合にこのスキルを使用します:

  • 株価から平均-CVaR ポートフォリオを構築または最適化する。
  • 下落 CVaR リスクを制御しながら、ティッカー間でウェイトを配分する。
  • ポートフォリオユニバースの効率的フロンティアをプロットまたは検査する。
  • リスク回避度別ウェイト表を作成する。
  • 最適化されたポートフォリオをベンチマークに対してバックテストする。
  • スケジュールまたはドリフトトリガーに基づいてポートフォリオをリバランスする。
  • S&P 500、S&P 100、Dow 30、またはユーザー提供の価格データセットでワークフローを実行する。

一般的なトリガーフレーズには、「ポートフォリオを最適化して」、「CVaR ポートフォリオを構築して」、「これらのティッカーで cuFOLIO を使って」、「cuOpt で解いて」、「効率的フロンティアをプロットして」、「リスク回避度別のウェイトを表示して」、「この配分をバックテストして」、「毎月リバランスして」、「CVaR で保有銘柄を分析して」、「配分を比較して」、「下落リスクを減らして」、「配分を構築して」、「配分オプションを評価して」、「保有銘柄をストレステストして」、「下落リスクエクスポージャーを評価して」、「ウェイト上限の下で保有銘柄をレビューして」、「ベンチマークポートフォリオを比較して」、「CVaR シナリオをシミュレートして」、「ポートフォリオリスクをスクリーニングして」、「制約の下で保有銘柄を最適化して」、および「より低リスクの配分を見つけて」などがあります。

一般的なファイナンスの要約、価格予測、ニューラルネットワークトレーニング、車両ルーティング、またはポートフォリオ最適化以外の目的では使用しないでください。

前提条件

  • cufolio パッケージがインストールされた Python 環境。
  • cuOpt と cuML がインストールされた NVIDIA GPU ランタイム。
  • ホストに一致する CUDA エクストラ (uv sync --extra cuda12 または uv sync --extra cuda13 など)。
  • cp.CUOPT を公開する cvxpy。
  • デフォルトの価格 CSV をダウンロードする必要がある場合、初回実行時のネットワークアクセス。

セットアップ

このスキルは、インストールされた cufolio パッケージを駆動します。準備された環境は、Brev の起動可能ファイルから、または一致する CUDA エクストラをインストールした後の NVIDIA-AI-Blueprints/cuFOLIO から入手できます。

パッケージ化されたエージェント/評価サンドボックスでは、cufolio は個別に公開された wheel ではなく、PYTHONPATH を介して利用可能な場合があります。ローカルパッケージを python -c "import cufolio" で確認してから、存在しないと宣言してください。pip install cufolio を実行したり、cuFOLIO ワークフローをスクラッチから再実装したり、パッケージ API を一般的な pandas/scipy/cvxpy ポートフォリオコードに置き換えたりしないでください。

具体的な実装の詳細については、references/workflows/agent_recipes.md を信頼できる情報源として使用してください。これには、価格の読み込み、リターンの準備、cuOpt での解決、25 ポイントのフロンティア構築、等 weight に対するバックテスト、およびリバランサーの呼び出しに関する正確な動作形状が含まれています。

デフォルトのデータセットは data/stock_data/sp500.csv です。これは gitignore されています。初回ダウンロードの前に、これは cuFOLIO/yfinance データヘルパーを通じて公開市場データを取得することをユーザーに伝え、確認を求めてください:

import cvxpy as cp
from cufolio.cvar_parameters import CvarParameters
from cufolio.utils import download_data

download_data("data/stock_data", datasets=["sp500"])
SOLVER_SETTINGS = {"solver": cp.CUOPT, "verbose": False, "solver_method": "PDLP"}
cvar_params = CvarParameters(
    w_min=0.0, w_max=1.0,
    c_min=0.0, c_max=0.0,
    risk_aversion=1.0, confidence=0.95,
)

手順

実行前に適用されるデフォルト設定を簡潔に述べ、その後以下のガードレールを使用します:

  1. data/stock_data/sp500.csv を読み込みます。存在しない場合は、cufolio.utils.download_data で sp500 をダウンロードする前に確認を求めます。価格データをグロブ、代替、または捏造しないでください。
  2. 解決前にユーザー提供の CSV を検証します:日付のようなインデックスまたは最初の日付列、数値のティッカー列、日付フィルタリング後に少なくとも 60 行、および少なくとも 1 つの要求されたティッカーが必要です。ユーザーが開始日/終了日を指定した場合は、リターン計算の前に価格 DataFrame をスライスし、保持された日付範囲を報告します。リターンが計算される前に、価格 DataFrame のティッカーをフィルタリングします。regime_dict はティッカーフィールドを取りません。
  3. utils.calculate_returns(...) で LOG リターンを計算します。
  4. cvar_utils.generate_cvar_data(...)、KDE、および KDESettings(device="GPU") でシナリオを生成します。
  5. 明示的な w_min と w_max を持つ CvarParameters を定義します。通常の「最適なポートフォリオを構築する」要求の場合は、c_min=0.0 と c_max=0.0 を設定して、結果が 100% 現金ではなく完全に投資されるようにします。
  6. そのリターン辞書から直接 cvar_optimizer.CVaR(returns_dict, cvar_params) を構築します。ティッカー、シナリオ配列、平均、共分散を cuFOLIO ヘルパーが返す形状のまま維持します。
  7. NVIDIA cuOpt のみで解決します。解決前に、hasattr(cp, "CUOPT") と str(cp.CUOPT) in {str(s) for s in cp.installed_solvers()} を確認します。SOLVER_SETTINGS をすべての単発解決またはループされたフロンティア解決に渡します。CLARABEL、SCS、ECOS、または別の CPU ソルバーにフォールバックしないでください。cuOpt がない場合は、検証/セットアップを完了し、CPU 結果をでっち上げる代わりに、GPU/cuOpt ランタイムが不足していることを報告します。
  8. カスタム制約の場合は、ユーザー要求を CvarParameters にマッピングします:ウェイト上限は w_min/w_max、リスク選好度は risk_aversion、信頼水準は confidence、現金許容度は c_max、カーディナリティは、パッケージがワークフロー用に明示的な資産数制約を公開している場合のみ。制約が競合する場合(たとえば、要求されたティッカー数全体に投資するには最大ウェイトが低すぎる場合)、競合を説明し、推測する代わりに制約の緩和を求めます。
  9. バックテスト用のベンチマークをユーザーが省略した場合は、同じティッカーに対して等 weight ポートフォリオを使用します。制約をユーザーが省略した場合は、デフォルト設定のテーブル値を維持し、解決前に重要な前提を簡潔に再述します。
  10. ソートされた配分、現金ウェイト、期待リターン、CVaR、ソルバーラベル (cuOpt GPU)、および要求されたフロンティア図、ウェイト表、バックテストメトリクス、またはリバランススケジュールとともにウェイトを提供します。表の場合は、小数点以下のウェイトとパーセンテージを含むティッカーを列または行として含めます。プロットの場合は、スクラッチから再描画する代わりに、返された cuFOLIO 図を保持します。
  11. レポート品質の回答には、要求されたワークフローが実際に実行されたという証拠を含めます。効率的フロンティアの場合は、len(results_df) を記載し、要求された ra_num(ユーザーが指定しない限り 25)を使用します。ウェイト表の場合は、results_df["weights"] をティッカー列に展開し、cash と risk_aversion を含めます。バックテストの場合は、最適化ポートフォリオとベンチマークポートフォリオの両方について、平均ポートフォリオリターン、シャープレシオ、ソルティノレシオ、および 最大ドローダウン を含めます。リバランスの場合は、results_dataframe、re_optimize_dates、および cumulative_portfolio_value の末尾を含めます。

標準ワークフロースケルトン

cuFOLIO のタスクをこの形状から開始し、要求された出力のみを適応します。完全なコピー可能な関数については、カスタムコードを作成する前に references/workflows/agent_recipes.md を読んでください。

import cvxpy as cp
import pandas as pd

from cufolio import backtest, cvar_optimizer, cvar_utils, rebalance, utils
from cufolio.cvar_parameters import CvarParameters
from cufolio.portfolio import Portfolio
from cufolio.settings import KDESettings, ReturnsComputeSettings, ScenarioGenerationSettings

if not hasattr(cp, "CUOPT") or str(cp.CUOPT) not in {str(s) for s in cp.installed_solvers()}:
    raise RuntimeError("cuOpt GPU ソルバーが必要です。CPU ソルバーに代用しないでください。")

SOLVER_SETTINGS = {"solver": cp.CUOPT, "verbose": False, "solver_method": "PDLP"}

prices = utils.get_input_data("data/stock_data/sp500.csv")
returns_dict = utils.calculate_returns(
    prices,
    regime_dict=None,
    returns_compute_settings=ReturnsComputeSettings(return_type="LOG"),
)
returns_dict = cvar_utils.generate_cvar_data(
    returns_dict,
    ScenarioGenerationSettings(
        fit_type="kde",
        kde_settings=KDESettings(device="GPU"),
    ),
)
cvar_params = CvarParameters(
    w_min=0.0,
    w_max=1.0,
    c_min=0.0,
    c_max=0.0,
    risk_aversion=1.0,
    confidence=0.95,
)
optimizer = cvar_optimizer.CVaR(returns_dict, cvar_params)
result, optimal_portfolio = optimizer.solve_optimization_problem(
    solver_settings=SOLVER_SETTINGS,
    print_results=False,
)

効率的フロンティアまたはウェイト表の場合は、以下を呼び出します:

results_df, fig, ax = cvar_utils.create_efficient_frontier(
    returns_dict,
    cvar_params,
    SOLVER_SETTINGS,
    ra_num=25,
    show_plot=False,
    show_discretized_portfolios=False,
    benchmark_portfolios=False,
    print_portfolio_results=False,
)
weights_table = pd.DataFrame(results_df["weights"].tolist(), index=results_df.index)

ベンチマークバックテストの場合は、解決された配分を Portfolio(name="cuOpt Optimal", tickers=returns_dict["tickers"], weights=optimal_portfolio.weights, cash=optimal_portfolio.cash) でラップし、同じ returns_dict["tickers"] に対して等 weight の Portfolio を作成し、backtest.portfolio_backtester(..., test_method="historical").backtest_against_benchmarks(...) を使用します。バックテスターは (backtest_results, ax) を返します。

毎月のリバランスの場合は、最初に価格 DataFrame を CSV パスに書き込みます。rebalance.rebalance_portfolio(dataset_directory=<csv_path>, ...) を re_optimize_criteria={"type": "drift_from_optimal", "threshold": 0, "norm": 1} でインスタンス化し、re_optimize(transaction_cost_factor=..., plot_title="毎月のリバランス") を呼び出します。リバランサーは (results_dataframe, re_optimize_dates, cumulative_portfolio_value) を返します。

データとデフォルト設定

設定デフォルト
データセットdata/stock_data/sp500.csv
日付範囲利用可能な全範囲
ポートフォリオタイプロングオンリー
最大ウェイト指定がない限りなし
リスク回避度1.0
信頼水準0.95
シナリオ手法GPU 上の KDE
ソルバーPDLP を使用した cuOpt GPU
リバランス要求がない限りなし

デフォルトの S&P 500 ファイルは過去のスナップショットであり、現在の構成銘柄が含まれていない可能性があります。ユーザー提供の CSV は、utils.get_input_data と互換性のある、日付インデックス付きの価格表で、ティッカー列を持つ必要があります。要求されたティッカーがない場合は、それらを削除し、欠落を報告し、ユーザーが明示的に他のデータを取得するように要求しない限り、利用可能な列で続行します。

主要 API

ポートフォリオ計算やシミュレーションループを再実装する代わりに、パッケージ API を使用してください。cuFOLIO ヘルパーはフラットなオブジェクトを返します:returns_dict には returns、mean、covariance、および tickers などのキーがあります。returns_dict["regime_1"] としてインデックス付けしないでください。solve_optimization_problem(...) は (result_row, portfolio) を返し、ネストされた結果辞書ではありません。

  • リターン: utils.calculate_returns(input_dataset, regime_dict, returns_compute_settings)。
  • レジームフィルター: regime_dict は None または {"name": "...", "range": ("YYYY-MM-DD", "YYYY-MM-DD")} です。レジーム名でキー付けされておらず、ティッカーを含みません。
  • シナリオ: cvar_utils.generate_cvar_data(returns_dict, scenario_generation_settings)。
  • オプティマイザー: cvar_optimizer.CVaR(returns_dict, cvar_params)。
  • 解決: result_row, portfolio = cvar_problem.solve_optimization_problem(solver_settings=SOLVER_SETTINGS, print_results=False)。
  • 効率的フロンティア: cvar_utils.create_efficient_frontier(returns_dict, cvar_params, solver_settings=SOLVER_SETTINGS, ra_num=25)。返される results_df には、メトリクス、weights 辞書列、および cash が含まれます。
  • ポートフォリオ: Portfolio(name="", tickers=None, weights=None, cash=0.0, time_range=None)。ティッカーと、それらのティッカーに合わせたフラットな配列状の weights を渡します。
  • バックテスト: 最適化された配分と各ベンチマークに対して portfolio.Portfolio オブジェクトを作成します。等 weight ベンチマークの場合は、1 / len(tickers) のウェイトと cash=0.0 を使用し、backtest.portfolio_backtester(test_portfolio, returns_dict, risk_free_rate=0.0, test_method="historical", benchmark_portfolios=[...]).backtest_against_benchmarks(...) を呼び出します。
  • リバランス: rebalance.rebalance_portfolio(...) は dataset_directory が CSV パスである必要があり、DataFrame ではありません。re_optimize(...) を呼び出します。(results_dataframe, re_optimize_dates, cumulative_portfolio_value) を返します。
  • 設定モデル: ReturnsComputeSettings、ScenarioGenerationSettings、KDESettings、ApiSettings、および CvarParameters。

例

  • 「S&P 500 から最適なポートフォリオを構築する」: 価格を読み込み、LOG リターンを計算し、GPU KDE シナリオを生成し、ロングオンリーで完全投資の CvarParameters を設定し、cuOpt で解決し、分散されたウェイトとリターン/CVaR を報告します。
  • 「効率的フロンティアをプロットする」: create_efficient_frontier(...) を呼び出し、results_df を返し、要求に応じて図を表示または保存します。
  • 「リスク回避度別のウェイトを教えて」: results_df["weights"] を資産別のテーブルに展開します。
  • 「等 weight に対してバックテストする」: 最適化されたポートフォリオと等 weight ポートフォリオの Portfolio オブジェクトを構築し、cuFOLIO バックテスターを使用してシャープレシオ、ソルティノレシオ、最大ドローダウンを報告します。
  • 「毎月のリバランスをバックテストする」: 上記のドリフトトリガーで rebalance_portfolio を設定し、re_optimize(transaction_cost_factor=...) を実行します。

制限事項

  • NVIDIA GPU(cuOpt および cuML 搭載)が必要です。CPU ソルバーは意図的に許可されていません。
  • CPU 専用の評価コンテナでもルーティング、データ処理、およびレポート動作を検証できますが、有効な cuOpt ソリューションを生成することはできません。その場合は、不足している GPU/cuOpt ランタイムを明示的に報告してください。
  • デフォルトの価格データは過去のスナップショットであり、現在の構成銘柄が含まれていない場合があります。
  • 初回実行時のデータセットダウンロードは、ユーザーが CSV を提供しない限り、ネットワークアクセスに依存します。

トラブルシューティング

  • デフォルトの CSV が見つからない、または FileNotFoundError: cuFOLIO が download_data("data/stock_data", datasets=["sp500"]) で公開市場データを取得することを説明します。ユーザーの確認後にのみ実行してください。
  • SolverError または cp.CUOPT が見つからない: ホストに一致する CUDA エクストラをインストールし、python -c "import cvxpy as cp; print(hasattr(cp, 'CUOPT'), cp.installed_solvers())" で確認します。
  • ImportError またはモジュールが見つからない: uv sync --extra cuda12(または適切な CUDA バージョン)で環境を再構築します。python -c "import cufolio; print(cufolio.__file__)" でインストールを確認します。
  • リバランス中の KeyError: 価格 DataFrame が、rebalance_portfolio() に渡す前にディスクに書き込まれていることを確認します。dataset_directory は CSV ファイルへのパスである必要があり、DataFrame ではありません。

Individual skills in this repo

This repo contains 13 individual skills — each has its own dedicated page.

NVlabs/Skill2Env

This skill should be used when the user asks about "digital portfolio", "portfolio website", "project description", "case study", "portfolio curation", "creative portfolio", "act as a portfolio curator", "portfolio curator mode", "portfolio review", "professional presentation", "portfolio architecture", "work samples", "portfolio bio", or needs expertise in building, structuring, and writing professional digital portfolios. Part of the AlterLab FC Skills collection (New Media & Communication department).

NVlabs/Skill2Env

This skill should be used when the user asks about "web content strategy", "SEO writing", "UX writing", "information architecture", "content architecture", "website structure", "act as a web content strategist", "web strategist mode", "site map", "content audit", "microcopy", "meta descriptions", "content hierarchy", "content governance", or needs expertise in planning, structuring, and writing content for websites and digital platforms. Part of the AlterLab FC Skills collection (New Media & Communication department).

NVlabs/Skill2Env

When the user wants to create, generate, or produce video content using AI tools or programmatic frameworks. Also use when the user mentions 'video production,' 'AI video,' 'Remotion,' 'Hyperframes,' 'HeyGen,' 'Synthesia,' 'Veo,' 'Sora,' 'Runway,' 'Kling,' 'Seedance,' 'Hailuo,' 'MiniMax,' 'Pika,' 'Hunyuan,' 'Wan,' 'video generation,' 'AI avatar,' 'talking head video,' 'programmatic video,' 'video template,' 'explainer video,' 'product demo video,' 'video pipeline,' or 'make me a video.' Use this for video creation, generation, and production workflows. For video content strategy and what to post, see social. For paid video ad creative, see ad-creative.

NVlabs/Skill2Env

Balance visual design with ATS compatibility for creative roles

NVlabs/Skill2Env

Build immersive, cinematic 2.5D interactive websites using scroll storytelling, parallax depth, text animations, and premium scroll effects — no WebGL required. Use this skill for any web design task: landing pages, product sites, hero sections, scroll animations, parallax, sticky sections, section overlaps, floating products between sections, clip-path reveals, text that flies in from sides, words that light up on scroll, curtain drops, iris opens, card stacks, bleed typography, and any site that should feel cinematic or premium. Trigger on phrases like "make it feel alive", "Apple-style animation", "sections that overlap", "product rises between sections", "immersive", "scrollytelling", or any scroll-driven visual effect. Covers 45+ techniques across 8 categories. Always inspects, judges, and plans assets before coding. Use aggressively for ANY web design task.

NVlabs/Skill2Env

Read-only queue dashboard for workspace-aware ship. (gstack)

NVlabs/Skill2Env

Guidance for distinctive, intentional visual design when building new UI or reshaping an existing one. Helps with aesthetic direction, typography, and making choices that don't read as templated defaults.

NVlabs/Skill2Env

Audits any landing or service page across 48 checks in 10 categories for LLM/AI discoverability, GEO readiness, content clarity, schema markup, internal linking, freshness signals, and technical crawlability. Produces an overall score out of 100, a per-category score out of 100, pass/warn/fail/ manual counts, and a prioritised fix list — all rendered as a standalone HTML report saved to disk. Use when a user provides a URL and asks to audit it, score it, check its GEO readiness, test its AI discoverability, run a landing page audit, or evaluate it for LLM citation potential. Also trigger on phrases like "audit this page", "score this URL", "check GEO for", "is this page AI-ready", "run a GEO audit", "LLM page check", "how would AI read this page", or "landing page score".

NVlabs/Skill2Env

Generates a premium single-page HTML landing page with 3D CSS animations, GSAP scroll effects, and mouse-parallax depth. Forcing intake (product + elevator pitch, audience register, brand overrides, tone) locks down positioning before any copy or markup is written, so the page reflects the actual product rather than generic boilerplate. Use whenever the user says 'landing for X', 'create a landing page', 'build a landing page', 'make a landing page for X', 'I need a web page for Y', or provides product/service details and wants a polished website. Also triggers on 'promotional page', 'product page', 'one-pager', 'web presence', 'sales page'. Outputs a single self-contained HTML file (Claude Code) or HTML artifact (Claude.ai). Supports configurable brand colors via CSS custom property overrides.

NVlabs/Skill2Env

Transform resume bullets into detailed portfolio case studies

NVlabs/Skill2Env

Generates high-converting landing pages as complete Next.js/React (TSX) components with Tailwind CSS. Creates hero sections, feature grids, pricing tables, FAQ accordions, testimonial blocks, and CTA sections using proven copy frameworks (PAS, AIDA, BAB). Outputs SEO meta tags, structured data, and performance-optimised code targeting Core Web Vitals (LCP < 1s, CLS < 0.1). Use when the user asks to create a landing page, marketing page, homepage, single-page site, lead capture page, campaign page, promo page, or conversion-optimised web page — or when they want to A/B test landing page variants or replace a static page with one designed to convert.

NVlabs/Skill2Env

> Visual design direction framework organized by emotional intent (Warm/Cold x Active/Calm). The first design reference system that categorizes sites by what they make you FEEL, not how they look. Includes 48 annotated public website references.

NVlabs/Skill2Env

Run a structured 5-pass finishing audit on any website before launch — scoring visual polish, technical foundation, UX completeness, content quality, and cross-device readiness on 100 points. Use when: **Pre-launch** - Final validation before going live; **Post-redesign** - Verify nothing broke during the overhaul; **Client handoff** - Structured proof that the site is ready; **Quarterly review** - Catch accumulated debt; **Single-pass focus** - Run just Pass 2 after a perf sprint

関連スキル