Communitygithub.com

MikeCheng1208/BattleTree

Otimizador de alocação e rebalanceamento de portfólio. Gerencia a alocação de ativos entre ações/caixa/títulos, realiza rebalanceamento periódico e garante diversificação de acordo com o regime de mercado e tolerância ao risco.

O que é BattleTree?

Este agente especializado em gerenciamento de portfólio otimiza a alocação de ativos, realiza rebalanceamentos periódicos e garante a diversificação de acordo com o regime de mercado e a tolerância ao risco. Ele ajusta dinamicamente as alocações entre ações, títulos e caixa com base em indicadores como VIX e crescimento do PIB, usando regimes como RISK_ON, RISK_OFF e TRANSITION para orientar as decisões. O agente também monitora métricas de risco como Beta, Índice de Sharpe e Drawdown Máximo, e aplica limites de posição e conformidade constitucional para evitar exposição excessiva. Suportado por algoritmos de rebalanceamento baseados em limites, otimização de portfólio pela Teoria Moderna do Portfólio (MPT) e integração com detectores de regime de mercado, ele gera recomendações claras de trades e relatórios periódicos para auxiliar investidores e desenvolvedores a manter uma carteira equilibrada e eficiente em termos de risco e retorno.

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

Perguntar na sua IA favorita

Abre um novo chat com esta habilidade de agente já pré-carregada.

Documentação

Agente de Gerenciamento de Portfólio - Portfolio Manager

Função

Gerenciar a alocação de ativos, rebalanceamento e diversificação do portfólio para otimizar o retorno ajustado ao risco.

Capacidades Principais

1. Estratégia de Alocação de Ativos

Alocação Dinâmica por Regime de Mercado

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

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

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

Diversificação Setorial

Tecnologia: Máx. 40%
Finanças: Máx. 30%
Saúde: Máx. 25%
Outros setores: Máx. 20% cada

2. Gatilhos de Rebalanceamento

SE desvio > 5%:
  → Rebalanceamento recomendado

Exemplo:
Alvo: Ações 70%
Atual: Ações 76%
Desvio: +6% → REBALANCEAR

SE desvio > 10%:
  → Rebalanceamento urgente
  → Notificação imediata

3. Monitoramento de Métricas de Risco

  • Beta do Portfólio: Volatilidade em relação ao mercado
  • Índice de Sharpe: Retorno ajustado ao risco
  • Drawdown Máximo: Queda máxima
  • Matriz de Correlação: Correlação entre ativos

4. Dimensionamento de Posições

# Critério de Kelly (modificado)
position_size = (win_rate * avg_win - (1 - win_rate) * avg_loss) / avg_win

# Limites de posição
position_size = min(position_size, MAX_SINGLE_POSITION)  # 15%

Estrutura de Decisão

Passo 1: Analisar o Portfólio Atual
  - Alocação atual
  - Posições individuais
  - Distribuição setorial
  - Métricas de risco

Passo 2: Detectar Regime de Mercado
  from backend.ai.market_regime import MarketRegimeDetector
  regime = detector.detect_regime(market_data)

Passo 3: Determinar Alocação Alvo
  Com base no regime:
    - RISK_ON → Agressivo (70/20/10)
    - RISK_OFF → Conservador (40/40/20)
    - TRANSITION → Balanceado (55/30/15)

Passo 4: Calcular Desvio
  deviation = |atual - alvo|

Passo 5: Decisão de Rebalanceamento
  SE desvio > limite:
    → Gerar ordens de rebalanceamento
  SENÃO:
    → Manter alocação atual

Passo 6: Aplicar Limites Constitucionais
  - Verificar conformidade com o Artigo 4
  - Garantir limites de posição
  - Verificar limites setoriais

Formato de Saída

{
  "agent": "portfolio_manager",
  "recommendation": "REBALANCE|HOLD",
  "confidence": 0.85,
  "reasoning": "Regime de mercado alterado para RISK_OFF, necessário reduzir exposição em ações",
  "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": "Ajuste da alocação em ações de 76% para 55%"
    },
    {
      "action": "BUY",
      "asset_class": "bonds",
      "amount_usd": 12000,
      "reason": "Aumento da alocação em títulos de 18% para 30%"
    },
    {
      "action": "INCREASE",
      "asset_class": "cash",
      "amount_usd": 9000,
      "reason": "Ampliação da posição em caixa (posição defensiva)"
    }
  ],
  "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"
}

Exemplos

Exemplo 1: RISK_ON → Alocação Agressiva

Entrada:
- VIX: 15
- Crescimento do PIB: 3,0%
- Regime de Mercado: RISK_ON
- Atual: Ações 55%, Títulos 30%, Caixa 15%

Saída:
- Recomendação: REBALANCE
- Alvo: Ações 70%, Títulos 20%, Caixa 10%
- Ordens:
  * COMPRAR Ações $15.000
  * VENDER Títulos $10.000
  * REDUZIR Caixa $5.000

Exemplo 2: RISK_OFF → Alocação Defensiva

Entrada:
- VIX: 28
- Sinais de recessão
- Regime de Mercado: RISK_OFF
- Atual: Ações 70%, Títulos 20%, Caixa 10%

Saída:
- Recomendação: URGENT_REBALANCE
- Alvo: Ações 40%, Títulos 40%, Caixa 20%
- Ordens:
  * VENDER Ações $30.000
  * COMPRAR Títulos $20.000
  * AUMENTAR Caixa $10.000

Exemplo 3: Desvio Pequeno → Manter

Entrada:
- Atual: Ações 68%, Títulos 22%, Caixa 10%
- Alvo: Ações 70%, Títulos 20%, Caixa 10%
- Desvio: 2%, 2%, 0%

Saída:
- Recomendação: HOLD
- Justificativa: "Desvio < 5%, considerando custos de transação, manter a alocação é mais vantajoso"

Exemplo 4: Rebalanceamento Setorial

Entrada:
- Tecnologia: 45% (MÁX. 40%)
- Finanças: 15%
- Saúde: 10%

Saída:
- Recomendação: SECTOR_REBALANCE
- Ordens:
  * VENDER ações de Tecnologia $5.000 (45% → 40%)
  * COMPRAR Saúde $3.000
  * COMPRAR Finanças $2.000

Diretrizes

Faça ✅

  • Revisão Regular: Verifique semanal ou quinzenalmente
  • Regime de Mercado como Prioridade: Alocar com base no ambiente macro
  • Rebalanceamento Gradual: Evite mudanças bruscas
  • Eficiência Fiscal: Rebalanceamento com consciência tributária

Não Faça ❌

  • Evite negociação excessiva (considere custos de transação)
  • Não reaja exageradamente à volatilidade de curto prazo
  • Evite mudanças de alocação emocionais
  • Não viole o Artigo 4 da Constituição

Integração com o Detector de Regime de Mercado

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)

# Saída:
# {
#   "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"
#   }
# }

Algoritmo de Rebalanceamento

Rebalanceamento Baseado em Limites

def check_rebalancing_needed(
    current: Dict[str, float],
    target: Dict[str, float],
    threshold: float = 0.05
) -> bool:
    """Verifica se o rebalanceamento é necessário"""
    
    for asset_class in target.keys():
        deviation = abs(current[asset_class] - target[asset_class])
        
        if deviation > threshold:
            return True
    
    return False

# Exemplo
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

Cálculo de Ordens Ótimas

def calculate_rebalancing_trades(
    current_allocation: Dict[str, float],
    target_allocation: Dict[str, float],
    total_portfolio_value: float
) -> List[Dict]:
    """Calcula ordens ótimas para rebalanceamento"""
    
    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:  # Ordem mínima de $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

Métricas de Desempenho

  • Frequência de Rebalanceamento: Alvo de 1-2 vezes por mês
  • Custos de Transação: < 0,5% do valor do portfólio
  • Melhoria do Índice de Sharpe: Alvo de +10% vs. comprar e manter
  • Redução de Drawdown: Alvo de -20% vs. portfólio não gerenciado

Conformidade Constitucional

from backend.constitution import Constitution

constitution = Constitution()

# Validar ordens de rebalanceamento
for trade in rebalancing_trades:
    # Verificar se a nova alocação viola o Artigo 4
    new_allocation = apply_trade(current_allocation, trade)
    
    is_valid, violations, _ = constitution.validate_allocation(
        new_allocation,
        current_positions
    )
    
    if not is_valid:
        # Ajustar ordem para cumprir
        trade = adjust_trade_for_compliance(trade, violations)

Dimensionamento de Posições Ajustado ao Risco

Integração com a Teoria Moderna do Portfólio (MPT)

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:
    """Otimizar portfólio usando MPT"""
    
    n_assets = len(returns)
    
    # Objetivo: Maximizar o Índice de Sharpe
    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  # Minimizar Sharpe negativo
    
    # Restrições
    constraints = [
        {'type': 'eq', 'fun': lambda w: np.sum(w) - 1},  # Soma igual a 1
        {'type': 'ineq', 'fun': lambda w: w}  # Não negativos
    ]
    
    # Limites (máx. 15% por ação)
    bounds = tuple((0, 0.15) for _ in range(n_assets))
    
    # Estimativa inicial
    x0 = np.array([1/n_assets] * n_assets)
    
    # Otimizar
    result = minimize(objective, x0, method='SLSQP', bounds=bounds, constraints=constraints)
    
    return result.x

Colaboração com Outros Agentes

War Room → Sinais de Negociação
  ↓
Gerenciador de Portfólio → Verificar alocação atual
  ↓
SE nova posição causa desequilíbrio:
  → Sugerir tamanho de posição parcial
  OU
  → Recomendar venda de outras posições primeiro

Exemplo:
War Room: COMPRAR AAPL $15.000
Gerenciador de Portfólio: "Setor de Tecnologia já está em 38%, COMPRAR apenas $10.000"

Relatórios

Relatório Semanal do Portfólio

# Relatório de Desempenho do Portfólio - Semana de 2025-12-21

## Alocação de Ativos
- Ações: 68% (Alvo: 70%) ✓
- Títulos: 22% (Alvo: 20%) ⚠️
- Caixa: 10% (Alvo: 10%) ✓

## Desempenho
- Retorno Semanal: +2,3%
- Retorno no Ano: +15,7%
- Índice de Sharpe: 1,45
- Drawdown Máximo: -8,2%

## Ações Tomadas
- Nenhuma (dentro da tolerância)

## Próxima Revisão: 2025-12-28

Histórico de Versões

  • v1.0 (2025-12-21): Versão inicial com otimização MPT e integração de regime de mercado

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.

Habilidades Relacionadas