企业官网建设流程全解析

agents24 量化交易插件中的风险指标计算：VaR、CVaR、回撤与压力测试的完整 Python 实现指南

【免费下载链接】agentsMulti-harness agentic plugin marketplace for Claude Code, Codex, Cursor, OpenCode, GitHub Copilot, and Google Antigravity项目地址: https://gitcode.com/GitHub_Trending/agents24/agents

本篇技术指南围绕 agents24 仓库中quantitative-trading插件的risk-metrics-calculation技能展开，完整讲解单资产风险度量、组合风险分解、滚动风险监控与压力测试四大实现模式的 Python 代码细节。读完本文，你将掌握基于 NumPy / pandas / SciPy 编写一套可用于组合管理、风险限额、风险看板与监管报送的可复用风险计算工具箱，并理解每个指标的年化逻辑、边界条件与适用场景。

本文的全部代码与配置均来自 details.md，并与同插件的 SKILL.md、risk-manager.md 等仓库文档相互印证。

一、技能定位：这个风险指标库解决什么问题

risk-metrics-calculation是 agents24 仓库中quantitative-trading插件下的一个 Skill，其定位是"组合管理的综合性风险度量工具箱"，覆盖 Value at Risk（VaR）、Expected Shortfall（CVaR）与回撤分析。对应 Skill 的元信息描述为：

Calculate portfolio risk metrics including VaR, CVaR, Sharpe, Sortino, and drawdown analysis. Use when measuring portfolio risk, implementing risk limits, or building risk monitoring systems.

该技能在 SKILL.md 中明确了典型使用场景：

• 度量组合风险（Measuring portfolio risk）
• 实施风险限额（Implementing risk limits）
• 构建风险看板（Building risk dashboards）
• 计算风险调整后收益（Calculating risk-adjusted returns）
• 设定仓位大小（Setting position sizes）
• 监管报送（Regulatory reporting）

在 agent 层，该插件提供两个角色配合使用：quant-analyst.md（opus，负责金融建模、交易策略与风险指标计算）与 risk-manager.md（sonnet，负责组合风险监控、R-multiple 跟踪与头寸限额）。risk-manager 的职责清单中明确包含"Value at Risk (VaR) calculations""Correlation and beta analysis""Stress testing and scenario analysis""Risk-adjusted performance metrics"，与本文要实现的指标一一对应。

安装该插件的方式为（见 docs/plugins.md）：

/plugin install quantitative-trading

下文将逐一展开 details.md 中四个实现模式：核心风险指标、组合风险、滚动风险指标与压力测试，最后给出快速使用参考与最佳实践清单。

二、风险指标的分类框架与时间尺度（继承 SKILL.md 核心概念）

在进入代码之前，先建立分类框架。SKILL.md 将风险指标划分为四个类别：

此外，指标的时间尺度应与投资决策周期匹配：

Intraday: Minute/hourly VaR for day traders（日内：分钟/小时级 VaR，用于日内交易者） Daily: Standard risk reporting（日频：标准风险报告） Weekly: Rebalancing decisions（周频：再平衡决策） Monthly: Performance attribution（月频：业绩归因） Annual: Strategic allocation（年频：战略配置）

代码中默认的年化因子ann_factor = 252即建立在"日频收益、一年 252 个交易日"的假设之上——这是整套实现最重要的前提假设，涉及任何年化计算时都应显式确认。

三、Pattern 1：单资产核心风险指标（RiskMetrics 类）

RiskMetrics是整套风险库的地基，负责对单一收益序列计算波动率、VaR/CVaR、回撤与风险调整收益。构造函数如下：

import numpy as np import pandas as pd from scipy import stats from typing import Dict, Optional, Tuple class RiskMetrics: """Core risk metric calculations.""" def __init__(self, returns: pd.Series, rf_rate: float = 0.02): """ Args: returns: Series of periodic returns rf_rate: Annual risk-free rate """ self.returns = returns self.rf_rate = rf_rate self.ann_factor = 252 # Trading days per year

参数说明：

• returns：周期收益序列（pandas Series），默认按日频收益假设处理；若传入周频或月频数据，需同步调整ann_factor。
• rf_rate：年化无风险利率，默认 2%，用于 Sharpe / Sortino 比率的超额收益计算。
• ann_factor：年化交易日数，默认 252，是全部年化计算的基准。

3.1 波动率类指标：volatility、downside_deviation、beta

# Volatility Metrics def volatility(self, annualized: bool = True) -> float: """Standard deviation of returns.""" vol = self.returns.std() if annualized: vol *= np.sqrt(self.ann_factor) return vol def downside_deviation(self, threshold: float = 0, annualized: bool = True) -> float: """Standard deviation of returns below threshold.""" downside = self.returns[self.returns < threshold] if len(downside) == 0: return 0.0 dd = downside.std() if annualized: dd *= np.sqrt(self.ann_factor) return dd def beta(self, market_returns: pd.Series) -> float: """Beta relative to market.""" aligned = pd.concat([self.returns, market_returns], axis=1).dropna() if len(aligned) < 2: return np.nan cov = np.cov(aligned.iloc[:, 0], aligned.iloc[:, 1]) return cov[0, 1] / cov[1, 1] if cov[1, 1] != 0 else 0

实现要点：

• volatility使用returns.std()（样本标准差，ddof=1），年化时乘sqrt(252)，即日频波动率平方根法则放大。若不年化，可传annualized=False得到周期波动率。
• downside_deviation只取低于阈值的样本计算标准差，是 Sortino 比率的输入。注意边界处理：当没有任何收益低于阈值时返回0.0，避免 NaN 污染后续比率。
• beta通过pd.concat对齐两序列并dropna()，用np.cov计算协方差矩阵，beta = Cov(p, m) / Var(m)。边界处理：样本不足 2 个返回np.nan；市场方差为 0 时返回 0。

3.2 尾部风险：三种 VaR 与 CVaR

# Value at Risk def var_historical(self, confidence: float = 0.95) -> float: """Historical VaR at confidence level.""" return -np.percentile(self.returns, (1 - confidence) * 100) def var_parametric(self, confidence: float = 0.95) -> float: """Parametric VaR assuming normal distribution.""" z_score = stats.norm.ppf(confidence) return self.returns.mean() - z_score * self.returns.std() def var_cornish_fisher(self, confidence: float = 0.95) -> float: """VaR with Cornish-Fisher expansion for non-normality.""" z = stats.norm.ppf(confidence) s = stats.skew(self.returns) # Skewness k = stats.kurtosis(self.returns) # Excess kurtosis # Cornish-Fisher expansion z_cf = (z + (z**2 - 1) * s / 6 + (z**3 - 3*z) * k / 24 - (2*z**3 - 5*z) * s**2 / 36) return -(self.returns.mean() + z_cf * self.returns.std()) # Conditional VaR (Expected Shortfall) def cvar(self, confidence: float = 0.95) -> float: """Expected Shortfall / CVaR / Average VaR.""" var = self.var_historical(confidence) return -self.returns[self.returns <= -var].mean()

三种 VaR 的差异与适用场景：

• 历史模拟法（historical）：直接取收益分布的分位数取负，np.percentile(returns, (1-confidence)*100)即左侧尾部下分位点。无分布假设，稳健直观，是默认推荐。
• 参数法（parametric）：假设收益服从正态分布，用stats.norm.ppf(confidence)取标准正态分位数 z，VaR = mean - z * std。计算快，但对肥尾分布会系统性低估风险。
• Cornish-Fisher 展开：在正态分位数基础上用偏度s和超额峰度k修正，z_cf公式为z + (z²-1)s/6 + (z³-3z)k/24 - (2z³-5z)s²/36。这是文档与代码注释反复强调的关键点——金融收益具有肥尾特征，不要默认假设正态性（见 SKILL.md 的 Don'ts 清单）。
• CVaR / 期望损失（Expected Shortfall）：取所有亏损超过历史 VaR 阈值的样本均值再取负，衡量"最坏 α 尾部内的平均损失"。它是比 VaR 更完备的尾部风险度量——VaR 只回答"阈值在哪"，CVaR 回答"一旦突破阈值，平均亏多少"。

3.3 回撤分析：drawdowns、max_drawdown、avg_drawdown、drawdown_duration

# Drawdown Analysis def drawdowns(self) -> pd.Series: """Calculate drawdown series.""" cumulative = (1 + self.returns).cumprod() running_max = cumulative.cummax() return (cumulative - running_max) / running_max def max_drawdown(self) -> float: """Maximum drawdown.""" return self.drawdowns().min() def avg_drawdown(self) -> float: """Average drawdown.""" dd = self.drawdowns() return dd[dd < 0].mean() if (dd < 0).any() else 0 def drawdown_duration(self) -> Dict[str, int]: """Drawdown duration statistics.""" dd = self.drawdowns() in_drawdown = dd < 0 # Find drawdown periods drawdown_starts = in_drawdown & ~in_drawdown.shift(1).fillna(False) drawdown_ends = ~in_drawdown & in_drawdown.shift(1).fillna(False) durations = [] current_duration = 0 for i in range(len(dd)): if in_drawdown.iloc[i]: current_duration += 1 elif current_duration > 0: durations.append(current_duration) current_duration = 0 if current_duration > 0: durations.append(current_duration) return { "max_duration": max(durations) if durations else 0, "avg_duration": np.mean(durations) if durations else 0, "current_duration": current_duration }

实现要点：

• drawdowns先计算累计净值cumprod，再用cummax得到历史峰值序列，回撤 =(净值 - 峰值) / 峰值。结果为 ≤ 0 的序列。
• max_drawdown取回撤序列最小值（最深的负回撤）。
• avg_drawdown只对回撤为负的区间求均值；若从未出现回撤返回 0，避免mean()对空切片告警。
• drawdown_duration通过逐日扫描统计回撤持续期：返回max_duration（最长回撤天数）、avg_duration（平均回撤天数）与current_duration（当前正处于回撤中的天数）。该统计对资本保全与心理预期管理非常实用——很多策略"回撤深度可控但回撤时间过长"。

3.4 风险调整收益：Sharpe、Sortino、Calmar、Omega

# Risk-Adjusted Returns def sharpe_ratio(self) -> float: """Annualized Sharpe ratio.""" excess_return = self.returns.mean() * self.ann_factor - self.rf_rate vol = self.volatility(annualized=True) return excess_return / vol if vol > 0 else 0 def sortino_ratio(self) -> float: """Sortino ratio using downside deviation.""" excess_return = self.returns.mean() * self.ann_factor - self.rf_rate dd = self.downside_deviation(threshold=0, annualized=True) return excess_return / dd if dd > 0 else 0 def calmar_ratio(self) -> float: """Calmar ratio (return / max drawdown).""" annual_return = (1 + self.returns).prod() ** (self.ann_factor / len(self.returns)) - 1 max_dd = abs(self.max_drawdown()) return annual_return / max_dd if max_dd > 0 else 0 def omega_ratio(self, threshold: float = 0) -> float: """Omega ratio.""" returns_above = self.returns[self.returns > threshold] - threshold returns_below = threshold - self.returns[self.returns <= threshold] if returns_below.sum() == 0: return np.inf return returns_above.sum() / returns_below.sum()

四个比率的口径差异：

• Sharpe：超额收益（年化平均收益减无风险利率）÷ 年化总波动率。波动率用全样本标准差，对上行波动与下行波动"一视同仁"。
• Sortino：分子与 Sharpe 相同，但分母换成下行偏差（downside_deviation(threshold=0)），只惩罚亏损波动，更适合收益分布不对称的策略。
• Calmar：年化收益 ÷ |最大回撤|，衡量"每承受 1 单位最深回撤能换来多少年化收益"，是趋势型/CTA 策略常用指标。注意其年化收益使用复利几何平均(1+r).prod() ** (ann_factor/n) - 1，与 Sharpe 中使用的算术年化（mean * ann_factor）口径不同。
• Omega：阈值之上收益总和 ÷ 阈值之下亏损总和，不依赖收益分布形态。当没有下行收益时返回np.inf（纯赚不亏的理想情形）。

3.5 信息比率与综合摘要

# Information Ratio def information_ratio(self, benchmark_returns: pd.Series) -> float: """Information ratio vs benchmark.""" active_returns = self.returns - benchmark_returns tracking_error = active_returns.std() * np.sqrt(self.ann_factor) active_return = active_returns.mean() * self.ann_factor return active_return / tracking_error if tracking_error > 0 else 0 # Summary def summary(self) -> Dict[str, float]: """Generate comprehensive risk summary.""" dd_stats = self.drawdown_duration() return { # Returns "total_return": (1 + self.returns).prod() - 1, "annual_return": (1 + self.returns).prod() ** (self.ann_factor / len(self.returns)) - 1, # Volatility "annual_volatility": self.volatility(), "downside_deviation": self.downside_deviation(), # VaR & CVaR "var_95_historical": self.var_historical(0.95), "var_99_historical": self.var_historical(0.99), "cvar_95": self.cvar(0.95), # Drawdowns "max_drawdown": self.max_drawdown(), "avg_drawdown": self.avg_drawdown(), "max_drawdown_duration": dd_stats["max_duration"], # Risk-Adjusted "sharpe_ratio": self.sharpe_ratio(), "sortino_ratio": self.sortino_ratio(), "calmar_ratio": self.calmar_ratio(), "omega_ratio": self.omega_ratio(), # Distribution "skewness": stats.skew(self.returns), "kurtosis": stats.kurtosis(self.returns), }

information_ratio计算相对基准的超额收益与跟踪误差之比：主动收益 = 组合收益 − 基准收益，跟踪误差 = 主动收益标准差 × √252。这是衡量"主动管理能力"的标准指标。

summary()一次性输出 14 项指标，涵盖收益、波动、VaR/CVaR、回撤、风险调整收益与分布形态（偏度、超额峰度），可直接作为风险看板的数据源。注意 Cornish-Fisher 修正所需的偏度与峰度也被一并输出，方便交叉核验尾部假设是否成立。

四、Pattern 2：组合层风险分解（PortfolioRisk 类）

单资产指标无法回答"多资产组合整体风险多大、每只资产贡献多少"的问题，PortfolioRisk负责组合层计算。

class PortfolioRisk: """Portfolio-level risk calculations.""" def __init__( self, returns: pd.DataFrame, weights: Optional[pd.Series] = None ): """ Args: returns: DataFrame with asset returns (columns = assets) weights: Portfolio weights (default: equal weight) """ self.returns = returns self.weights = weights if weights is not None else \ pd.Series(1/len(returns.columns), index=returns.columns) self.ann_factor = 252 def portfolio_return(self) -> float: """Weighted portfolio return.""" return (self.returns @ self.weights).mean() * self.ann_factor def portfolio_volatility(self) -> float: """Portfolio volatility.""" cov_matrix = self.returns.cov() * self.ann_factor port_var = self.weights @ cov_matrix @ self.weights return np.sqrt(port_var) def marginal_risk_contribution(self) -> pd.Series: """Marginal contribution to risk by asset.""" cov_matrix = self.returns.cov() * self.ann_factor port_vol = self.portfolio_volatility() # Marginal contribution mrc = (cov_matrix @ self.weights) / port_vol return mrc def component_risk(self) -> pd.Series: """Component contribution to total risk.""" mrc = self.marginal_risk_contribution() return self.weights * mrc def risk_parity_weights(self, target_vol: float = None) -> pd.Series: """Calculate risk parity weights.""" from scipy.optimize import minimize n = len(self.returns.columns) cov_matrix = self.returns.cov() * self.ann_factor def risk_budget_objective(weights): port_vol = np.sqrt(weights @ cov_matrix @ weights) mrc = (cov_matrix @ weights) / port_vol rc = weights * mrc target_rc = port_vol / n # Equal risk contribution return np.sum((rc - target_rc) ** 2) constraints = [ {"type": "eq", "fun": lambda w: np.sum(w) - 1}, # Weights sum to 1 ] bounds = [(0.01, 1.0) for _ in range(n)] # Min 1%, max 100% x0 = np.array([1/n] * n) result = minimize( risk_budget_objective, x0, method="SLSQP", bounds=bounds, constraints=constraints ) return pd.Series(result.x, index=self.returns.columns) def correlation_matrix(self) -> pd.DataFrame: """Asset correlation matrix.""" return self.returns.corr() def diversification_ratio(self) -> float: """Diversification ratio (higher = more diversified).""" asset_vols = self.returns.std() * np.sqrt(self.ann_factor) weighted_vol = (self.weights * asset_vols).sum() port_vol = self.portfolio_volatility() return weighted_vol / port_vol if port_vol > 0 else 1 def tracking_error(self, benchmark_returns: pd.Series) -> float: """Tracking error vs benchmark.""" port_returns = self.returns @ self.weights active_returns = port_returns - benchmark_returns return active_returns.std() * np.sqrt(self.ann_factor) def conditional_correlation( self, threshold_percentile: float = 10 ) -> pd.DataFrame: """Correlation during stress periods.""" port_returns = self.returns @ self.weights threshold = np.percentile(port_returns, threshold_percentile) stress_mask = port_returns <= threshold return self.returns[stress_mask].corr()

实现要点逐项拆解：

• 组合收益：用矩阵乘法returns @ weights得到组合日收益序列，再取均值年化。权重缺省时等权分配1/n。
• 组合波动率：先算年化协方差矩阵cov * 252，再用二次型wᵀΣw求方差、开方得波动率。这是 Markowitz 组合理论的核心公式。
• 边际风险贡献（MRC）：Σw / σp，表示每增加 1 单位某资产权重引起的组合波动率边际变化。
• 成分风险（Component Risk）：wᵢ × MRCᵢ，各资产成分风险之和恰好等于组合波动率（欧拉分解），可直接回答"组合风险中每只资产占了多少"。
• 风险平价权重（Risk Parity）：通过scipy.optimize.minimize以 SLSQP 求解，目标函数为最小化各资产风险贡献与等风险贡献目标σp/n的平方偏差；约束权重和为 1，边界为每只资产 1%～100%。这是"每个资产贡献相同风险"的经典风险预算方案，与 risk-manager 关注的相关性集中风险（Monitor correlations to avoid concentration）直接相关。
• 分散化比率（Diversification Ratio）：加权单资产波动率之和 ÷ 组合波动率，比值越高说明分散化越有效；当组合波动率为 0 时返回 1 兜底。
• 条件相关性（Conditional Correlation）：取组合收益最低 10% 分位的压力期样本，单独计算相关性矩阵。这对应 SKILL.md 中"Don't ignore correlation - Increases in stress"的警示——正常市况下相关性低，但压力期相关性会飙升，用压力期相关性做风险管理比全样本相关性更保守。

五、Pattern 3：滚动窗口风险监控（RollingRiskMetrics 类）

风险是时变的，静态全样本指标会掩盖 regime（波动率状态）切换。RollingRiskMetrics用滚动窗口把风险指标变成时间序列。

class RollingRiskMetrics: """Rolling window risk calculations.""" def __init__(self, returns: pd.Series, window: int = 63): """ Args: returns: Return series window: Rolling window size (default: 63 = ~3 months) """ self.returns = returns self.window = window def rolling_volatility(self, annualized: bool = True) -> pd.Series: """Rolling volatility.""" vol = self.returns.rolling(self.window).std() if annualized: vol *= np.sqrt(252) return vol def rolling_sharpe(self, rf_rate: float = 0.02) -> pd.Series: """Rolling Sharpe ratio.""" rolling_return = self.returns.rolling(self.window).mean() * 252 rolling_vol = self.rolling_volatility() return (rolling_return - rf_rate) / rolling_vol def rolling_var(self, confidence: float = 0.95) -> pd.Series: """Rolling historical VaR.""" return self.returns.rolling(self.window).apply( lambda x: -np.percentile(x, (1 - confidence) * 100), raw=True ) def rolling_max_drawdown(self) -> pd.Series: """Rolling maximum drawdown.""" def max_dd(returns): cumulative = (1 + returns).cumprod() running_max = cumulative.cummax() drawdowns = (cumulative - running_max) / running_max return drawdowns.min() return self.returns.rolling(self.window).apply(max_dd, raw=False) def rolling_beta(self, market_returns: pd.Series) -> pd.Series: """Rolling beta vs market.""" def calc_beta(window_data): port_ret = window_data.iloc[:, 0] mkt_ret = window_data.iloc[:, 1] cov = np.cov(port_ret, mkt_ret) return cov[0, 1] / cov[1, 1] if cov[1, 1] != 0 else 0 combined = pd.concat([self.returns, market_returns], axis=1) return combined.rolling(self.window).apply( lambda x: calc_beta(x.to_frame()), raw=False ).iloc[:, 0] def volatility_regime( self, low_threshold: float = 0.10, high_threshold: float = 0.20 ) -> pd.Series: """Classify volatility regime.""" vol = self.rolling_volatility() def classify(v): if v < low_threshold: return "low" elif v > high_threshold: return "high" else: return "normal" return vol.apply(classify)

实现要点：

• 默认窗口 63 天（约 3 个月），window可自行调整；SKILL.md 的 Don'ts 明确提示"Don't use short lookbacks - Miss regime changes"，过短的窗口会错过波动率状态切换。
• rolling_volatility用 pandas 原生rolling(window).std()实现，比循环快几个数量级；年化因子在此硬编码为 252。
• rolling_sharpe在窗口内用算术年化（mean * 252）计算滚动年化收益。
• rolling_var/rolling_max_drawdown通过rolling().apply()传入自定义函数；raw=True传 numpy 数组（更快），raw=False传 pandas Series（可访问索引等元数据）。
• rolling_beta将组合与市场收益 concat 成两列后滚动回归式地计算协方差比。
• volatility_regime把年化滚动波动率分类为low（<10%）、high（>20%）、normal（介于两者之间），可直接用于驱动风控规则的切换——例如高波动 regime 下自动收紧仓位与止损（对应 risk-manager 的"Implementing risk limits"职责）。

六、Pattern 4：压力测试（StressTester 类）

压力测试回答"极端情景下组合会怎样"，分三类：历史危机重演、假设冲击、Monte Carlo 模拟。

class StressTester: """Historical and hypothetical stress testing.""" # Historical crisis periods HISTORICAL_SCENARIOS = { "2008_financial_crisis": ("2008-09-01", "2009-03-31"), "2020_covid_crash": ("2020-02-19", "2020-03-23"), "2022_rate_hikes": ("2022-01-01", "2022-10-31"), "dot_com_bust": ("2000-03-01", "2002-10-01"), "flash_crash_2010": ("2010-05-06", "2010-05-06"), } def __init__(self, returns: pd.Series, weights: pd.Series = None): self.returns = returns self.weights = weights def historical_stress_test( self, scenario_name: str, historical_data: pd.DataFrame ) -> Dict[str, float]: """Test portfolio against historical crisis period.""" if scenario_name not in self.HISTORICAL_SCENARIOS: raise ValueError(f"Unknown scenario: {scenario_name}") start, end = self.HISTORICAL_SCENARIOS[scenario_name] # Get returns during crisis crisis_returns = historical_data.loc[start:end] if self.weights is not None: port_returns = (crisis_returns @ self.weights) else: port_returns = crisis_returns total_return = (1 + port_returns).prod() - 1 max_dd = self._calculate_max_dd(port_returns) worst_day = port_returns.min() return { "scenario": scenario_name, "period": f"{start} to {end}", "total_return": total_return, "max_drawdown": max_dd, "worst_day": worst_day, "volatility": port_returns.std() * np.sqrt(252) } def hypothetical_stress_test( self, shocks: Dict[str, float] ) -> float: """ Test portfolio against hypothetical shocks. Args: shocks: Dict of {asset: shock_return} """ if self.weights is None: raise ValueError("Weights required for hypothetical stress test") total_impact = 0 for asset, shock in shocks.items(): if asset in self.weights.index: total_impact += self.weights[asset] * shock return total_impact def monte_carlo_stress( self, n_simulations: int = 10000, horizon_days: int = 21, vol_multiplier: float = 2.0 ) -> Dict[str, float]: """Monte Carlo stress test with elevated volatility.""" mean = self.returns.mean() vol = self.returns.std() * vol_multiplier simulations = np.random.normal( mean, vol, (n_simulations, horizon_days) ) total_returns = (1 + simulations).prod(axis=1) - 1 return { "expected_loss": -total_returns.mean(), "var_95": -np.percentile(total_returns, 5), "var_99": -np.percentile(total_returns, 1), "worst_case": -total_returns.min(), "prob_10pct_loss": (total_returns < -0.10).mean() } def _calculate_max_dd(self, returns: pd.Series) -> float: cumulative = (1 + returns).cumprod() running_max = cumulative.cummax() drawdowns = (cumulative - running_max) / running_max return drawdowns.min()

实现要点：

• 历史情景：内置 5 个经典危机区间——2008 金融危机、2020 疫情崩盘、2022 加息周期、2000 互联网泡沫、2010 闪崩。historical_stress_test用loc[start:end]截取危机区间收益，输出区间总收益、最大回撤、最差单日、波动率。未知情景名会抛ValueError。
• 假设冲击：hypothetical_stress_test接收{资产: 冲击收益}字典，用权重加权求和计算组合冲击影响；未传权重时抛ValueError。适合做"某资产跌 20% 会怎样"的单点分析。
• Monte Carlo 压力模拟：默认 10000 次模拟、21 天（约一个月）持有期、波动率放大 2 倍，从Normal(mean, vol*2)抽样生成(10000, 21)矩阵，逐行复利累乘得到期末总收益分布，输出期望损失、VaR95/99、最坏情形与亏损超过 10% 的概率。注意该模拟假设正态分布，在极端尾部可能低估风险——建议与历史 VaR / CVaR 交叉验证。

七、快速参考：把整套工具用起来

details.md 提供了开箱即用的日常使用示例：

# Daily usage metrics = RiskMetrics(returns) print(f"Sharpe: {metrics.sharpe_ratio():.2f}") print(f"Max DD: {metrics.max_drawdown():.2%}") print(f"VaR 95%: {metrics.var_historical(0.95):.2%}") # Full summary summary = metrics.summary() for metric, value in summary.items(): print(f"{metric}: {value:.4f}")

接入风险的完整链路可以这样组织（结合同插件 backtesting-frameworks 的向量化回测器）：

1. 用回测器产出组合净值曲线与日收益序列（对应 backtesting-frameworks/references/details.md 中的VectorizedBacktester）；
2. 将日收益喂给RiskMetrics，输出 Sharpe、Sortino、Calmar、VaR、CVaR、最大回撤等单资产指标；
3. 多资产场景用PortfolioRisk做组合波动率、成分风险分解与风险平价配置；
4. 用RollingRiskMetrics监控波动率 regime 变化，动态调整风控阈值；
5. 上线前用StressTester跑历史危机与 Monte Carlo 压力测试，完成风险预检。

八、最佳实践：Do's 与 Don'ts（继承 SKILL.md）

SKILL.md 给出了整套方法论的纪律性要求：

Do's（应当遵守）

• Use multiple metrics- 单一指标无法刻画全部风险，多指标交叉印证
• Consider tail risk- 仅有 VaR 不够，必须配合 CVaR
• Rolling analysis- 风险随时间变化，静态指标会失效
• Stress test- 历史情景与假设情景都要测
• Document assumptions- 明确记录分布假设、回看窗口等关键参数

Don'ts（必须避免）

• Don't rely on VaR alone- VaR 会低估尾部风险（正态假设下尤其明显）
• Don't assume normality- 收益是肥尾的，用 Cornish-Fisher 或历史法修正
• Don't ignore correlation- 压力期相关性会上升（用conditional_correlation验证）
• Don't use short lookbacks- 过短窗口会错过波动率 regime 切换
• Don't forget transaction costs- 交易成本会影响实际实现的风险收益

九、小结：从代码到风控体系的落地路径

本文完整继承了 risk-metrics-calculation 技能的全部四个实现模式与快速参考，并逐项注解了参数默认值、年化口径与边界处理。这套代码在 agents24 仓库中的定位是：为 risk-manager 与 quant-analyst 两个 Agent 提供可复用的风险计算基础，支撑其"风险限额实施、R-multiple 跟踪、头寸保护与压力测试"的完整职责链。

需要记住的五个关键设计决策：年化因子默认 252 交易日；尾部风险以"历史法 VaR + CVaR + Cornish-Fisher 修正"三件套互相校验；回撤分析覆盖深度与持续时间两个维度；组合层用欧拉分解回答"谁贡献了风险"；压力测试同时覆盖历史危机、假设冲击与 Monte Carlo 三种范式。据此即可搭建从日频监控、动态限额到压力预检的完整风控体系。

【免费下载链接】agentsMulti-harness agentic plugin marketplace for Claude Code, Codex, Cursor, OpenCode, GitHub Copilot, and Google Antigravity项目地址: https://gitcode.com/GitHub_Trending/agents24/agents