portfolio-deep-diagnosis

name: portfolio-deep-diagnosis description: 用于对投资组合进行深度诊断。收集 4 个分析参数后调用 run_pipeline() 完成量化计算，再向用户解释诊断结果。

投资组合深度诊断

目的

把持仓与分析参数整理成结构化的深度诊断结果，重点输出相关性、风险指标、因子暴露和关键风险点。

适用场景

• 进一步分析组合的波动、相关性和风险结构
• 结合参数判断持仓管理风格
• 识别组合中的风格暴露和因子偏向
• 输出量化/技术视角的诊断结论，并整理成可直接转述给客户的结构化文字

路径约定

SKILL_ROOT = 本 SKILL.md 的父目录（即 portfolio-health-check/ 技能根目录）。所有 cd "$SKILL_ROOT" 命令均指向技能根目录，不要硬编码绝对路径。

前提条件

• 第 1 阶段（快速诊断）已完成，持仓确认表已定稿
• state/portfolio_state.json 的 stage1 已有结构化持仓数据

核心规则

• 全程使用中文。
• 不要声称自己知道实时价格、最新基金持仓，或任何未提供、未验证的外部事实。
• 不要给出买卖指令，也不要预测市场走势。
• 清楚区分已知事实和粗略假设。
• 最多进行 3 轮补充信息对话。
• 默认不要生成 HTML、PDF 或其他本地报告文件。优先返回 client_output 结构化文字给父级 workflow 或 OpenClaw。

执行流程

Step 1：收集深度诊断参数

必须收齐 4 个参数，缺一不可：

如果用户不理解某个参数，用选项形式提问，不要让用户自由描述。

Step 2：组装 payload 并通过 CLI 调用 pipeline

用第 1 阶段的持仓数据和本阶段收集的参数构建 payload JSON 文件，然后通过命令行调用 pipeline。

Step 2a：写 payload 文件

用 exec 工具把 payload 写到 /tmp/portfolio_payload.json：

{
    "holdings": [
        {"code": "600519.SH", "name": "贵州茅台", "weight_pct": 30.0},
        {"code": "300750.SZ", "name": "宁德时代", "weight_pct": 25.0}
    ],
    "cash_pct": 10.0,
    "params": {
        "rebalance_frequency": "monthly",
        "position_style": "core_satellite",
        "risk_tolerance": "moderate",
        "investment_horizon": "3-5y",
        "portfolio_market_value": 1000000
    }
}

从 state/portfolio_state.json 的 stage1 读取持仓数据构建 holdings 数组。每个 holding 必须有 code 和 weight_pct。

Step 2b：调用 CLI

cd "$SKILL_ROOT" && \
  python scripts/portfolio-health-check/pipeline_main.py \
  /tmp/portfolio_payload.json \
  --emit-artifacts \
  --output-dir /tmp/portfolio_output \
  --as-of $(date +%Y-%m-%d)

执行成功后，结果文件在 /tmp/portfolio_output/ 目录：

• diagnosis_result.json — 完整诊断结果（Step 3 解读用）
• _internal.json — 内部数据（Phase 3 优化用，不需要解读）
• diagnosis_report.html — HTML 报告（仅在用户要求时提及）

Step 2c：读取结果

cat /tmp/portfolio_output/diagnosis_result.json

pipeline_main.py CLI 内部自动完成：

• QVeris 数据拉取（行情、基本面、市值、基准）
• 按 rebalance_frequency 选择数据粒度和回看窗口
• 15 步量化诊断（相关性、风险指标、集中度、因子暴露、流动性、风险旗标等）
• 诊断结果整理成 client_output 结构化文字

不要手动调用 QVeris/THS 取数据，不要手动跑分析逻辑。 CLI 是唯一计算入口。

Step 3：处理返回结果

run_pipeline() 返回 dict，结构如下：

# 成功
{
    "status": "ok",
    "error_message": None,
    "data": {
        "correlation_matrix": {...},
        "risk_metrics": {"holdings": [...], "portfolio": {...}},
        "risk_contribution": {...},
        "concentration": {...},
        "benchmark": {...},
        "factor_exposure": {...},
        "sector_exposure": {...},
        "liquidity": {...},
        "intraday_micro": {...},    # 仅 intraday 频率
        "risk_flags": [...],
        "metadata": {...},
    },
    "client_output": {
        "title": "组合诊断摘要",
        "headline": "...",
        "sections": [...],
        "markdown": "..."
    },
    "artifacts": null,              # 默认不生成文件；显式要求时才有路径
    "pipeline": {
        "as_of": "2026-04-01",
        "requested_rebalance_frequency": "monthly",
        "selected_benchmark": {...},
        "qveris_inputs": {...},
    },
}

# 失败
{
    "status": "error",
    "error_message": "具体错误信息",
    "data": None,
    "artifacts": None,
}

Step 4：向用户解释诊断结果

如果 status == "ok"：

1. 先用 1-2 句话给出总体判断（组合更像什么类型、核心风险在哪）。
2. 优先使用 client_output 里的 headline / sections / markdown 作为对客交付底稿。
3. 如需补充解释，再按以下顺序解读底层 section：
   • risk_flags：哪些旗标被触发，严重程度如何
   • risk_metrics.portfolio：波动率、夏普、最大回撤等关键指标
   • concentration：集中度是否过高
   • correlation_matrix.high_correlation_pairs：高相关性配对
   • factor_exposure.portfolio：因子偏向
   • liquidity：清仓所需天数
   • benchmark：与基准的相对表现
4. 不要把原始 JSON 贴给用户，要翻译成人能读的结论。
5. 对无法确认的地方标注为推断。
6. 只有在用户明确要求导出报告时，才说明 artifacts 里的文件路径。

如果 status == "error"：

1. 告知用户诊断未能完成。
2. 根据 error_message 判断是数据问题（QVeris 不可达、代码不匹配）还是代码 bug。
3. 如果是数据问题，建议用户检查持仓代码或稍后重试。
4. 如果是代码 bug，如实告知。

Step 5：交还控制权

诊断结果解释完毕后，把控制权交回父级 workflow（portfolio-health-check/SKILL.md），由父级询问用户是否继续进入第 3 阶段。

边界规则

• 不得编造历史收益、波动率、回撤、相关系数或因子暴露数值——这些全部由 run_pipeline() 计算得出。
• 如果 run_pipeline() 返回的某些指标因数据不足而缺失（见 metadata.warnings），要如实告知用户。
• 可以做基于诊断结果的定性判断，但必须标注判断依据来自哪个 section。

参考文件

• pipeline_main.py — Phase 2 唯一计算入口
• diagnosis.py — 15 步诊断编排