Communitygithub.com

tradeblocks-org/tradeblocks-skills

用於交易策略的投資組合分析。探索相關性、分散化和組合表現特性。在需要了解策略之間的關係、探索分散化效果或分析投資組合組成時使用。

tradeblocks-skills 是什麼?

此技能旨在幫助開發者與交易員深入分析多策略投資組合的動態行為,並優化整體風險調整後回報。它支援 TradeBlocks MCP 伺服器,提供從全面健康檢查、相關性矩陣、結構映射到邊際貢獻、相似度檢測及情境縮放等八大步驟。透過工具如 `portfolio_health_check` 與 `correlation_matrix`,使用者能快速識別策略間的冗餘、盲點及極端事件共移風險;`marginal_contribution` 則有助於判斷每個策略對夏普比率的實際影響。該技能也涵蓋交易週期覆蓋度、制度區間分析與假設性權重調整,適合用於建構穩健的量化交易投資組合。

相容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/tradeblocks-org/tradeblocks-skills/tree/HEAD/skills/portfolio

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

投資組合分析

探索策略之間的關係,以及組合它們對投資組合特性的影響。

此技能的功能

提供數據以幫助了解投資組合動態:

  • 健康檢查:一次呼叫完成全面的投資組合評估
  • 相關性:策略之間如何相對變動?
  • 結構:投資組合在哪裡有重疊或盲點?
  • 邊際貢獻:哪些策略有助於或損害風險調整後回報?
  • 相似度:是否有任何策略是冗餘的?
  • 假設縮放:改變配置會如何影響投資組合?

先決條件

  • TradeBlocks MCP 伺服器正在執行
  • 已載入多個策略區塊或一個多策略區塊
  • 建議使用策略設定檔以進行制度覆蓋度和結構分析

流程

步驟 1:投資組合健康檢查

從 portfolio_health_check 開始,進行一次全面的單次呼叫評估。

關鍵參數:

  • blockId:區塊資料夾名稱
  • correlationThreshold:標記超過此值的配對(預設:0.5)
  • tailDependenceThreshold:標記尾部超過此值的配對(預設:0.5)
  • profitProbabilityThreshold:蒙地卡羅獲利機率警告(預設:0.95)
  • wfeThreshold:前進效率警告(預設:-0.15)

工具回傳分層報告:

  • 判決:健康 / 中度疑慮 / 顯著疑慮
  • 等級:9 個面向的 A-F 評分:
面向衡量內容
分散化策略配對間的相關性
尾部風險聯合極端共同移動風險
穩健性前進效率(樣本外 vs 樣本內)
一致性蒙地卡羅獲利機率
制度覆蓋度策略在不同 VIX 制度下的表現
交易日覆蓋度一週中各交易日的覆蓋情況
集中風險按結構、標的、DTE 的配置
相關性風險設定檔感知的重疊(相同標的 + DTE + 天數)
縮放一致性回測 vs 即時每合約損益偏差
  • 標記:帶有詳細說明的特定警告(高相關性配對、尾部依賴配對等)
  • 關鍵數字:夏普比率、索提諾比率、最大回撤、平均相關性、平均尾部依賴、蒙地卡羅統計數據、WFE

呈現判決,標記任何低於 B 的評分,並列出具體的警告細節。

步驟 2:相關性分析

使用 get_correlation_matrix 取得詳細的成對相關性數據。

關鍵參數:

  • blockId:區塊資料夾名稱
  • method:"kendall"(穩健、基於排名,預設)、"spearman"(排名)、"pearson"(線性)
  • alignment:"shared"(僅兩者都交易的日期)或 "zero-pad"(缺失值以 0 填補)
  • timePeriod:"daily"、"weekly" 或 "monthly" 聚合
  • normalization:"raw"(絕對損益)、"margin"(損益/保證金)、"notional"(損益/名目本金)
  • minSamples:有效計算所需的最小共享週期數(預設:10)
  • highlightThreshold:標記超過此值的配對(預設:0.7)

解讀相關性數值:

相關性含義
< 0.2極低 – 策略獨立移動
0.2 - 0.4低 – 大致獨立移動
0.4 - 0.6中度 – 部分共同行為
0.6 - 0.8高 – 顯著共同移動
> 0.8極高 – 策略行為相似

請參閱 references/correlation.md 了解為何 Kendall's tau 通常比 Pearson 更適合用於交易回報分析。

步驟 3:投資組合結構圖

使用 portfolio_structure_map 查看所有已設定檔策略的 Vol_Regime × Trend_Direction 矩陣。

關鍵參數:

  • blockId:可選 — 省略則彙總所有區塊
  • minTrades:數據稀疏警告門檻(預設:10)

工具回傳:

  • 18 宮格矩陣(6 個 Vol_Regimes × 3 個 Trend_Directions),包含每個策略的統計數據
  • 重疊偵測:同一宮格中有 2 個以上策略活躍
  • 盲點:所有策略皆無交易的宮格
  • 數據稀疏警告:交易筆數少於門檻的宮格

這是了解投資組合構建的關鍵工具 — 了解投資組合涵蓋了哪些區域以及沒有涵蓋哪些區域。

步驟 4:邊際貢獻

使用 marginal_contribution 查看每個策略如何影響投資組合的風險調整後回報。

關鍵參數:

  • blockId:區塊資料夾名稱
  • targetStrategy:僅計算特定策略(可選)
  • topN:回傳的頂級貢獻者數量(預設:5)

工具回傳:

  • 基準投資組合的夏普比率和索提諾比率
  • 每個策略的邊際夏普比率和索提諾比率影響
  • 最有益和最不有益的策略

解讀:

  • 負邊際夏普比率:移除該策略會降低投資組合的夏普比率 — 表示它貢獻正向
  • 正邊際夏普比率:移除該策略會提高投資組合的夏普比率 — 表示它可能損害風險調整後回報
  • 注意:邊際貢獻衡量的是風險調整後的影響,而非絕對損益。一個獲利的策略如果增加了波動性,仍可能損害夏普比率。

步驟 5:制度配置顧問

使用 regime_allocation_advisor 交叉比對策略設定檔的預期制度與實際表現。

關鍵參數:

  • blockId:可選 — 省略則彙總所有已設定檔的策略
  • minTrades:每個制度宮格中可靠統計所需的最小交易筆數(預設:5)

工具對每個策略每個制度回傳:

  • 該制度是預期的(來自設定檔)還是非預期的
  • 勝率、損益、該制度中的交易筆數
  • 分類:
    • thesis_aligned:策略在其目標制度中的表現符合預期
    • thesis_violation:策略在其應能處理的制度中表現不佳
    • hidden_edge:策略在未標記為預期的制度中表現良好

標示出任何 thesis violation(策略在不該失敗的地方失敗)和 hidden edge(設定檔未捕捉到的機會)。

步驟 6:策略相似度

使用 strategy_similarity 偵測可能冗餘的策略。

關鍵參數:

  • blockId:區塊資料夾名稱
  • correlationThreshold:標記所需的最低相關性(預設:0.7)
  • tailDependenceThreshold:標記所需的最低尾部依賴(預設:0.5)
  • minSharedDays:最低共享交易日數(預設:30)
  • topN:最相似配對數量(預設:5)

工具回傳:

  • 依綜合相似度分數排序的最相似策略配對
  • 每個配對的相關性、尾部依賴和交易日重疊
  • 對可能只增加風險而無分散化效益的策略的標記

如果兩個策略高度相關且尾部依賴也很高,它們很可能會一起虧損 — 兩者之間的「分散化」只是假象。

步驟 7:假設縮放

使用 what_if_scaling 探索配置變更。

關鍵參數:

  • blockId:區塊資料夾名稱
  • strategyWeights:每個策略的權重,例如 {"5/7 17D": 0.5, "Pickle RIC": 1.5}。未指定的預設為 1.0。權重 0 = 排除。
  • strategies:多策略模式 — 包含每個策略的區塊來源和縮放因子的陣列
  • showUncapped:同時顯示不加 maxContractsPerTrade 上限的結果

工具回傳:

  • 投資組合指標的前後比較
  • 新權重下的每個策略細項
  • 設定檔感知:尊重設定檔中的 maxContractsPerTrade 上限
  • 設定 ignoreMarginReq 時的標記

常見情境:

  • 「如果我移除這個策略會怎樣?」 → 將其權重設為 0
  • 「如果我把這個配置加倍會怎樣?」 → 權重設為 2.0
  • 「如果我把除了表現最好的策略之外的所有策略都減半會怎樣?」 → 相應調整權重

步驟 8:呈現發現

綜合所有數據:

投資組合健康狀況:

  • 判決:[健康 / 中度疑慮 / 顯著疑慮]
  • 需要注意的面向:[任何低於 B 的評分]
  • 關鍵標記:[具體警告]

相關性發現:

  • 配對間的平均相關性:[數值]
  • 最高相關性配對:[配對] 為 [數值]
  • 最低相關性配對:[配對] 為 [數值]

結構:

  • 制度盲點:[無覆蓋的宮格]
  • 重疊區域:[有 2 個以上策略的宮格]
  • 集中度:[按標的、DTE、結構類型]

邊際貢獻:

  • 最有益:[策略](邊際夏普比率:[數值])
  • 最不有益:[策略](邊際夏普比率:[數值])

突出之處:

  • [值得注意的模式]
  • [任何冗餘的策略配對]
  • [Thesis violation 或 hidden edge]

將這些呈現為基於歷史數據的見解。使用者可以根據自己的風險承受能力和投資組合目標來決定。

解讀參考

相關技能

投資組合分析後:

  • /tradeblocks:compare - 特定策略配對或區塊的深度比較
  • /tradeblocks:risk - 部位規模與凱利分析
  • /tradeblocks:health-check - 任何單一策略的完整指標

注意事項

  • 相關性是基於聚合回報而非逐筆交易計算
  • 過去的相關性模式可能在未來市場條件下不會持續
  • 尾部相關性(危機行為)通常高於正常相關性
  • 低相關性並不保證保護 – 兩者可能因不同原因同時虧損
  • 樣本大小很重要 – 10 個共享數據點是最低要求,越多越好
  • 需要策略設定檔才能進行制度覆蓋度、結構圖和縮放一致性分析

相關技能