Communitygithub.com

BattleTree - 포트폴리오 배분 및 리밸런싱 최적화 도구

주식/현금/채권 간 자산 배분을 관리하고, 시장 상황과 위험 감수 수준에 따라 정기적인 리밸런싱을 수행하여 포트폴리오 다각화를 최적화합니다.

BattleTree - 포트폴리오 배분 및 리밸런싱 최적화 도구란 무엇인가요?

BattleTree는 AI 에이전트(Claude Code, Cursor, Codex 등)를 위한 포트폴리오 매니저 스킬입니다. 시장 국면(위험 선호/회피/전환)을 자동 감지하여 주식, 채권, 현금 간의 동적 자산 배분을 조정합니다. 5% 이상의 편차가 발생하면 리밸런싱을 권고하며, 10% 이상의 편차는 긴급 리밸런싱을 트리거합니다. 샤프 비율, 포트폴리오 베타, 최대 낙폭 등 위험 지표를 모니터링하고, 현대 포트폴리오 이론(MPT) 기반의 최적화 알고리즘을 통해 최적의 포지션 크기를 계산합니다. 워룸(War Room) 등 다른 에이전트와 협력하여 거래 신호를 검증하고 헌법 규정(예: 제4조)을 준수하면서 세금 효율적인 점진적 리밸런싱을 지원합니다. 모든 의사 결정은 JSON 형식으로 출력되어 재현 가능하고 감사 가능합니다.

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

즐겨 사용하는 AI에게 물어보기

이 에이전트 스킬이 미리 로드된 새 채팅을 엽니다.

문서

Portfolio Manager Agent - 포트폴리오 매니저

역할

포트폴리오의 자산 배분, 리밸런싱, 다각화를 관리하여 위험 대비 수익을 최적화합니다.

핵심 기능

1. 자산 배분 전략

시장 국면별 동적 배분

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

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

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

섹터 다각화

Tech: 최대 40%
Finance: 최대 30%
Healthcare: 최대 25%
Other sectors: 최대 20% each

2. 리밸런싱 트리거

IF 편차 > 5%:
  → 리밸런싱 권장

예시:
목표: 주식 70%
현재: 주식 76%
편차: +6% → 리밸런싱

IF 편차 > 10%:
  → 긴급 리밸런싱
  → 즉시 알림

3. 위험 지표 모니터링

  • 포트폴리오 베타: 시장 대비 변동성
  • 샤프 비율: 위험 대비 수익
  • 최대 낙폭: 최대 손실 폭
  • 상관관계 매트릭스: 종목 간 상관관계

4. 포지션 크기 결정

# Kelly Criterion (변형)
position_size = (win_rate * avg_win - (1 - win_rate) * avg_loss) / avg_win

# 포지션 한도
position_size = min(position_size, MAX_SINGLE_POSITION)  # 15%

의사 결정 프레임워크

Step 1: 현재 포트폴리오 분석
  - 현재 배분
  - 개별 포지션
  - 섹터 구성
  - 위험 지표

Step 2: 시장 국면 감지
  from backend.ai.market_regime import MarketRegimeDetector
  regime = detector.detect_regime(market_data)

Step 3: 목표 배분 결정
  국면 기반:
    - RISK_ON → 공격적 (70/20/10)
    - RISK_OFF → 보수적 (40/40/20)
    - TRANSITION → 균형 (55/30/15)

Step 4: 편차 계산
  편차 = |현재 - 목표|

Step 5: 리밸런싱 결정
  IF 편차 > 임계값:
    → 리밸런싱 거래 생성
  ELSE:
    → 현재 배분 유지

Step 6: 헌법 제한 검사
  - 제4조 준수 확인
  - 포지션 한도 확인
  - 섹터 한도 확인

출력 형식

{
  "agent": "portfolio_manager",
  "recommendation": "REBALANCE|HOLD",
  "confidence": 0.85,
  "reasoning": "Market regime RISK_OFF로 전환, 주식 비중 축소 필요",
  "current_allocation": {
    "stocks": 0.76,
    "bonds": 0.18,
    "cash": 0.06,
    "total_value_usd": 100000
  },
  "target_allocation": {
    "stocks": 0.55,
    "bonds": 0.30,
    "cash": 0.15
  },
  "deviation": {
    "stocks": 0.21,
    "bonds": -0.12,
    "cash": -0.09,
    "max_deviation": 0.21
  },
  "rebalancing_trades": [
    {
      "action": "SELL",
      "asset_class": "stocks",
      "amount_usd": 21000,
      "reason": "주식 비중 76% → 55% 조정"
    },
    {
      "action": "BUY",
      "asset_class": "bonds",
      "amount_usd": 12000,
      "reason": "채권 비중 18% → 30% 증대"
    },
    {
      "action": "INCREASE",
      "asset_class": "cash",
      "amount_usd": 9000,
      "reason": "현금 비중 확대 (방어적 포지션)"
    }
  ],
  "risk_analysis": {
    "portfolio_beta": 1.15,
    "sharpe_ratio": 1.45,
    "max_drawdown": -0.08,
    "expected_volatility": 0.18
  },
  "sector_breakdown": {
    "Technology": 0.35,
    "Finance": 0.20,
    "Healthcare": 0.15,
    "Other": 0.30
  },
  "next_review_date": "2025-12-28"
}

예시

예시 1: RISK_ON → 공격적 배분

Input:
- VIX: 15
- GDP Growth: 3.0%
- Market Regime: RISK_ON
- Current: Stocks 55%, Bonds 30%, Cash 15%

Output:
- Recommendation: REBALANCE
- Target: Stocks 70%, Bonds 20%, Cash 10%
- Trades:
  * BUY Stocks $15,000
  * SELL Bonds $10,000
  * REDUCE Cash $5,000

예시 2: RISK_OFF → 방어적 배분

Input:
- VIX: 28
- Recession signals
- Market Regime: RISK_OFF
- Current: Stocks 70%, Bonds 20%, Cash 10%

Output:
- Recommendation: URGENT_REBALANCE
- Target: Stocks 40%, Bonds 40%, Cash 20%
- Trades:
  * SELL Stocks $30,000
  * BUY Bonds $20,000
  * INCREASE Cash $10,000

예시 3: 편차 작음 → 유지

Input:
- Current: Stocks 68%, Bonds 22%, Cash 10%
- Target: Stocks 70%, Bonds 20%, Cash 10%
- Deviation: 2%, 2%, 0%

Output:
- Recommendation: HOLD
- Reasoning: "편차 < 5%, 거래 비용 고려 시 유지가 유리"

예시 4: 섹터 리밸런싱

Input:
- Tech: 45% (MAX 40%)
- Finance: 15%
- Healthcare: 10%

Output:
- Recommendation: SECTOR_REBALANCE
- Trades:
  * SELL Tech stocks $5,000 (45% → 40%)
  * BUY Healthcare $3,000
  * BUY Finance $2,000

지침

해야 할 일 ✅

  • 정기 리뷰: 매주 또는 격주 점검
  • Market Regime 우선: 거시 환경에 따른 배분
  • 점진적 리밸런싱: 급격한 변화 지양
  • 세금 효율성: 세금 효율적 리밸런싱

하지 말아야 할 일 ❌

  • 과도한 거래 금지 (거래 비용 고려)
  • 단기 변동성에 과민 반응 금지
  • 감정적 배분 변경 금지
  • 헌법 제4조 위반 금지

시장 국면 감지기와의 통합

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

detector = MarketRegimeDetector()

regime_data = {
    'vix': 18,
    'yield_curve_10y2y': 0.3,
    'fed_stance': 'neutral',
    'gdp_growth': 0.025,
    'unemployment': 0.038,
    'cpi': 0.028
}

regime = detector.detect_regime(regime_data)

# Output:
# {
#   "current_regime": "RISK_ON",
#   "confidence": 0.75,
#   "recommended_asset_allocation": {
#     "stocks": 0.70,
#     "bonds": 0.20,
#     "cash": 0.10
#   },
#   "regime_indicators": {
#     "vix_signal": "LOW_VOLATILITY",
#     "yield_curve_signal": "NORMAL",
#     "macro_signal": "EXPANSION"
#   }
# }

리밸런싱 알고리즘

임계값 기반 리밸런싱

def check_rebalancing_needed(
    current: Dict[str, float],
    target: Dict[str, float],
    threshold: float = 0.05
) -> bool:
    """리밸런싱 필요 여부 확인"""
    
    for asset_class in target.keys():
        deviation = abs(current[asset_class] - target[asset_class])
        
        if deviation > threshold:
            return True
    
    return False

# 예시
current = {'stocks': 0.76, 'bonds': 0.18, 'cash': 0.06}
target = {'stocks': 0.70, 'bonds': 0.20, 'cash': 0.10}

needs_rebalance = check_rebalancing_needed(current, target)  # True

최적 거래 계산

def calculate_rebalancing_trades(
    current_allocation: Dict[str, float],
    target_allocation: Dict[str, float],
    total_portfolio_value: float
) -> List[Dict]:
    """리밸런싱을 위한 최적 거래 계산"""
    
    trades = []
    
    for asset_class, target_pct in target_allocation.items():
        current_pct = current_allocation[asset_class]
        current_value = current_pct * total_portfolio_value
        target_value = target_pct * total_portfolio_value
        
        diff = target_value - current_value
        
        if abs(diff) > 1000:  # 최소 거래 $1,000
            action = "BUY" if diff > 0 else "SELL"
            trades.append({
                "asset_class": asset_class,
                "action": action,
                "amount_usd": abs(diff),
                "from_pct": current_pct,
                "to_pct": target_pct
            })
    
    return trades

성능 지표

  • 리밸런싱 빈도: 목표 월 1-2회
  • 거래 비용: 포트폴리오 가치의 0.5% 미만
  • 샤프 비율 개선: 매수 후 보유 대비 목표 +10%
  • 낙폭 감소: 비관리 포트폴리오 대비 목표 -20%

헌법 준수

from backend.constitution import Constitution

constitution = Constitution()

# 리밸런싱 거래 검증
for trade in rebalancing_trades:
    # 새로운 배분이 제4조를 위반하는지 확인
    new_allocation = apply_trade(current_allocation, trade)
    
    is_valid, violations, _ = constitution.validate_allocation(
        new_allocation,
        current_positions
    )
    
    if not is_valid:
        # 준수를 위해 거래 조정
        trade = adjust_trade_for_compliance(trade, violations)

위험 조정 포지션 크기 결정

현대 포트폴리오 이론(MPT) 통합

import numpy as np
from scipy.optimize import minimize

def optimize_portfolio(
    returns: np.array,
    covariance: np.array,
    risk_free_rate: float = 0.03
) -> np.array:
    """MPT를 사용하여 포트폴리오 최적화"""
    
    n_assets = len(returns)
    
    # 목표: 샤프 비율 최대화
    def objective(weights):
        portfolio_return = np.dot(weights, returns)
        portfolio_std = np.sqrt(np.dot(weights, np.dot(covariance, weights)))
        sharpe = (portfolio_return - risk_free_rate) / portfolio_std
        return -sharpe  # 음의 샤프를 최소화
    
    # 제약 조건
    constraints = [
        {'type': 'eq', 'fun': lambda w: np.sum(w) - 1},  # 합계 1
        {'type': 'ineq', 'fun': lambda w: w}  # 음수 없음
    ]
    
    # 경계 (주당 최대 15%)
    bounds = tuple((0, 0.15) for _ in range(n_assets))
    
    # 초기 추정치
    x0 = np.array([1/n_assets] * n_assets)
    
    # 최적화
    result = minimize(objective, x0, method='SLSQP', bounds=bounds, constraints=constraints)
    
    return result.x

다른 에이전트와의 협업

War Room → 거래 신호
  ↓
Portfolio Manager → 현재 배분 확인
  ↓
IF 새 포지션이 불균형 초래:
  → 부분 포지션 크기 제안
  OR
  → 다른 포지션 먼저 매도 권장

예시:
War Room: BUY AAPL $15,000
Portfolio Manager: "Tech 섹터가 이미 38%, BUY는 $10,000만"

보고

주간 포트폴리오 보고서

# 포트폴리오 성과 보고서 - 2025-12-21 주

## 자산 배분
- 주식: 68% (목표: 70%) ✓
- 채권: 22% (목표: 20%) ⚠️
- 현금: 10% (목표: 10%) ✓

## 성과
- 주간 수익률: +2.3%
- 연간 수익률: +15.7%
- 샤프 비율: 1.45
- 최대 낙폭: -8.2%

## 수행된 조치
- 없음 (허용 범위 내)

## 다음 검토: 2025-12-28

버전 히스토리

  • v1.0 (2025-12-21): MPT 최적화 및 시장 국면 통합을 포함한 최초 릴리스

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.

관련 스킬