下载地址
https://www.zhengdianxue.com/wp-content/uploads/skills/org-rwhv0nty--ad-strategy-performance.zip将提示词发送给你的 AI 安装该 skills
请根据 https://skillhub.cn/install/skillhub.md，安装 @org-rwhv0nty/ad-strategy-performance。中国银河证券星耀数智的策略业绩分析技能。对策略净值序列做完整业绩评估（收益/风险/相对基准/风险调整/收益分布五类共20余项指标，含最大回撤起止日期），支持对比基准指数（默认沪深300，经星耀数智AmazingData在线拉取），自动生成可视化HTML报告（净值曲线/最大回撤分析/月度收益热力图/日收益分布）。涉及策略业绩分析、绩效分析、净值分析、策略评估、回测评估、夏普比率、最大回撤、年化收益、信息比率、卡玛比率、索提诺比率、日胜率等场景时使用。
阅读全文 （展开查看完整说明）
概述
策略业绩分析 Skill（ad-strategy-performance）
中国银河证券星耀数智的策略业绩分析技能。
对策略净值序列做完整业绩评估，支持对比基准指数（默认沪深300），输出终端摘要表 + fresh-light 风格可视化 HTML 报告。
前置条件
- 安装python运行环境(推荐python3.8/3.9/3.10/3.11/3.12/3.13/3.14环境)，并安装AmazingData依赖包。
从 https://gitee.com/cgs2026/xysz/releases 下载 tgw 和 AmazingData 的 wheel 文件并安装。
pip install tgw>=1.0.8.7
pip install AmazingData>=1.1.15- 联系开户营业部申请账号、密码。
- 参加2026年中国银河证券星耀数智AI模拟交易大赛，可获取星耀数智账号；
- 报名时间：10.29 — 11.20
- 比赛时间：11.02 — 11.27
- 报名链接，请关注微信公众号“中国银河证券星耀数智”
- 设置环境变量：
# Windows CMD
set AD_USERNAME=your_username
set AD_PASSWORD=your_password
set AD_HOST=101.230.159.235
set AD_PORT=8600
# Windows PowerShell
$env:AD_USERNAME="your_username"
$env:AD_PASSWORD="your_password"
$env:AD_HOST="101.230.159.235"
$env:AD_PORT="8600"本技能的基准指数行情（默认沪深300）经 AmazingData 在线拉取；若环境变量未配置或拉取失败，脚本会跳过基准对比并给出提示，仅输出策略单边指标。
import AmazingData依赖 tgw，两者需安装在同一 Python 环境中。
使用流程
1. 准备净值数据（CSV）
支持两种格式，列名自动识别（也可用参数显式指定）：
| 格式 | 必需列 | 说明 |
|---|---|---|
| 净值 | date（或 time_tag/日期）+ net_value（或 净值） | 直接使用 |
| 资产 | 日期列 + total_balance（或 总资产） | 自动换算为净值（首日=1） |
2. 一键分析（CLI）
cd <skill目录>/scripts
# 基准经星耀数智在线拉取（默认沪深300）
python performance_analysis.py --input net_value.csv
--output output/performance_report.html
# 区间预设（以净值末日至终点倒推）：all全部/半年/1年/3年/5年/ytd今年以来
python performance_analysis.py --input net_value.csv --period 5年
--output output/performance_report.html
# 指定起止日期（YYYYMMDD）
# 不对比基准 / 指定参数
python performance_analysis.py --input net_value.csv
--benchmark-code "" --annual-days 244 --rf 2.0 --open运行后输出：终端指标摘要表（策略 vs 基准）+ 单文件 HTML 报告。
3. Python API
import pandas as pd
from performance_analysis import PerformanceAnalyzer, load_nav_csv, fetch_benchmark_from_api
nav = load_nav_csv('net_value.csv') # 归一化净值序列
bench = fetch_benchmark_from_api('000300.SH', 20250101, 20251231)
analyzer = PerformanceAnalyzer(nav, bench, annual_days=244, rf=0.02)
result = analyzer.run()
analyzer.print_summary()
from report_renderer import PerformanceReport
PerformanceReport(title='我的策略业绩报告').generate(result, 'output/report.html', benchmark_name='沪深300')指标清单
| 类别 | 指标 |
|---|---|
| 收益 | 累计收益率、年化收益率、日均收益率、月度收益表（YYYY-MM）、年度收益表、月均收益、月胜率、日胜率、盈亏比、最大连涨/连跌天数 |
| 风险 | 年化/日/月波动率、最大回撤（含高点→低点→修复日期）、当前回撤、距上次创新高交易日数、最长回撤持续交易日数、分年度最大回撤、下行风险、偏度、峰度 |
| 相对基准 | Beta、Alpha、跟踪误差、信息比率、特雷诺比率、超额累计/年化收益、日收益相关系数 |
| 风险调整 | 夏普比率、索提诺比率、卡玛比率 |
| 分布 | 日收益率分布（12档，-10%以下 至 10%以上） |
| 数据质量 | 数据断档检测：以基准指数（默认沪深300）交易日历为参照，比对净值序列缺失/多余的交易日 |
参数与口径
| 参数 | 默认 | 说明 |
|---|---|---|
--annual-days | 244 | 年化天数，所有年化指标统一使用 |
--rf | 2.0 (%) | 无风险年利率，参与夏普/索提诺/卡玛/Alpha/特雷诺 |
--benchmark-code | 000300.SH | 基准指数代码；传空字符串则不对比基准 |
--start / --end | 净值首末日 | YYYYMMDD，区间裁剪 |
--period | all（全部） | 区间预设：all/半年/1年/3年/5年/ytd，以净值末日为终点倒推；与 --start 二选一 |
关键计算口径：
- 年化收益 = (期末净值/期初净值)^(244/日收益个数) − 1（复利口径）
- 年化波动率 = 日收益样本标准差(ddof=1) × √244
- Beta = 协方差(ddof=1) / 基准日收益样本方差(ddof=1)
- Alpha = 年化收益 − (rf + Beta × (基准年化收益 − rf))
- 下行风险 = 低于 rf/244 的日收益（其余记0）样本标准差 × √244
HTML 报告内容
- KPI 概览卡（累计收益/年化/最大回撤/当前回撤/夏普/卡玛/日胜率，红涨绿跌）
- 业绩指标明细表（策略 vs 基准，按收益/风险/风险调整/相对基准四类分组，含最大回撤起止日期与当前回撤状态注释）
- 年度收益与年度最大回撤（策略 vs 基准柱状图 + 逐年明细表）
- 净值曲线（叠加基准，支持缩放）
- 最大回撤分析（回撤曲线 + 历史最低点标注）
- 月度收益率热力图（年 × 月，红涨绿跌）
- 日收益率分布（12档柱状图）
- 指标口径说明（折叠区，列出各指标计算口径与当前参数）
fresh-light 清新浅色主题，移动端自适应，单文件输出。
注意事项
- 策略净值 CSV 为必需输入；本 skill 只做净值层面的业绩分析，不含持仓/交易分析
- 在线拉取基准需配置 AD_USERNAME/AD_PASSWORD/AD_HOST/AD_PORT 环境变量，且 AmazingData 限制单点登录（同一时间只能有一个登录链接）
- 净值数据不允许存在非正值；同一交易日多条记录取最后一条
- 策略与基准按共同交易日对齐，被丢弃的非共同交易日会在终端提示
- 指标口径与默认参数详见上表；年化天数与无风险利率均可通过参数调整
- 数据断档检测依赖基准交易日历，未对比基准（
--benchmark-code ""）时不做该项检查 - 月度/年度收益的首月（首年）按净值首日到期末计算，其余按自然月末（年末）净值点计算
- 本工具仅提供业绩统计结果，不构成任何投资建议
Python环境要求
- Python版本: 3.8-3.14
- 操作系统: Linux/Windows
- 依赖包: tgw>=1.0.8.7, AmazingData>=1.1.15
