基金研究Skills:主动基金复盘与基金评价报告撰写

1.1 主动权益基金研究为什么适合SKILL化

主动权益基金研究天然具备多维度、高重复、定性定量相结合、强交付的特点，使其成为SKILL化的理想场景。

从研究方法维度上看，基金研究涉及业绩评价、风格分析、行业配置分析、资产配置分析、业绩归因、交易行为分析、基金经理观点分析、可投资性分析等多个分析维度，传统研究方式下，上述各个方法独立性较强，方法相对标准化。

从重复性来看，基金遴选、产品尽调、基金池复盘等工作中的大量分析动作高度相似，具有显著的标准化空间。

从研究范式来看，基金产品由基金经理管理，基金研究需要同时结合定量数据证据和基金经理观点的定性分析，这种定性定量相结合的特点适合用AI来完成文本的分析。

从交付要求来看，研究成果需要同时输出数据底稿、Word报告等多种格式，对交付效率和一致性提出了较高要求。

SKILL化后，研究员可以把精力从重复取数和运算转向判断、比较和决策，实现研究效率和产出质量的双重提升。

1.2 SKILL体系对基金研究场景的直接价值

我们开发的权益基金研究SKILL体系面向机构投研的常见任务，提供标准化、可复用、可编排的研究支持，覆盖基金研究的全流程。除了FOF等基金研究方向的用户，主动权益基金也可以使用基金研究SKILL，搜索竞品，或者对自己的投资进行复盘。

SKILL具有通用性，可以在WorkBuddy、Codex、OpenClaw等各类AI Agent中使用。

2.1 权益基金研究SKILL总体架构

权益基金研究SKILL体系可分为五层，形成从数据到决策的完整链路。

数据与证据层是整个体系的基础，涵盖基金定期报告、净值数据、公开观点、调研纪要等底层数据。

分析子SKILL层是体系的核心，包含业绩评价、风格分析、行业配置、资产配置、业绩归因、交易行为、可投资性、基金经理观点等八个核心分析模块。

专项入口层面向高频独立场景，包括定期报告分析、概念基金搜索、盘中净值估算、相似/竞品基金搜索、持仓拥挤度跟踪等五个专项入口。

高阶编排层面向复杂研究任务，通过Plugin机制将底层子SKILL组合为基金产品综合报告、基金经理画像、基金对比、言行一致分析、基金经理自我复盘等高阶应用。

报告输出支持层则提供HTML制作工具、Word报告生成等多种交付能力，确保研究成果可以灵活适配不同的使用场景。

任务规划层则在众多基金研究SKILL中进行任务规划、SKILL推荐，便于用户找到最适配的基金研究SKILL。

2.2 标准工作流

一次完整的基金分析通常遵循五步标准化工作流。

第一步明确对象，确定基金代码、基金经理、报告期、比较基准或主题关键词等分析要素。

第二步拉取数据，获取净值、定报、持仓、行业、同类排名、公开观点等多维数据。

第三步数据计算，调用对应子SKILL进行各维度的基金分析，确保计算口径统一、结果可追溯。

第四步汇总校验，整合各模块分析结果，交叉验证关键结论，识别潜在矛盾。

第五步产物交付，输出Excel底稿、Word报告、HTML数据看板等多种格式的研究成果，满足不同场景的使用需求。

2.3 统一交付物设计

各分析子SKILL尽量保持一致的交付结构，以降低使用和复核成本。

3.1 专项入口的定位

专项SKILL是独立模块，可独立运行，是基金研究乃至主动权益投资中可独立触发的高频工作流。当定期报告发布后，需要快速复盘全市场配置变化或单只基金的配置变化；当主题概念行情出现时，需要快速找到相关暴露最高的主动基金；当交易时段需要实时监控基金表现时，需要估算主动权益基金的盘中净值变化；当需要评估行业热度时，可以跟踪某个行业的公募基金持仓拥挤度；当某只基金限购时，需要寻找相似或竞品基金作为替代。这些高频场景每一个都对应着实际投研工作中的刚性需求。下面，我们将逐一介绍我们的基金研究专项SKILL。

3.2 主动权益基金定报分析SKILL（active-equity-report-analysis）

该SKILL面向主动权益基金，分析定期报告中的整体配置变化，适合定期报告发布后的全市场配置观察和基金池复盘。主要功能包括：

Ø 汇总股票仓位、港股配置、A股与港股行业配置；

Ø 分析行业增减配、个股增减仓和市场共识变化；

Ø 识别全市场主动权益基金的共识行业和分歧行业；

Ø 交付数据底稿、Word报告、HTML看板。

该SKILL在AI agent中的典型应用问题包括：这一期主动权益基金主要加了哪些行业？港股仓位有没有变化？哪些个股获得了增持？

3.3 单只基金定报分析SKILL（equity-single-fund-report-analysis）

该SKILL面向单只基金的定期报告深度分析，适合基金池维护、定报点评和重点基金跟踪。主要功能包括：

Ø 分析多期仓位趋势、行业配置变迁、重仓股变动和集中度变化；

Ø 输出持仓变化、行业权重矩阵、重仓股新进/增持/减持/清仓清单；

Ø 交付数据底稿、Word报告、HTML看板。

该SKILL在AI agent中的典型应用问题包括：这只基金最近一季是否明显调仓？重仓股和行业配置变了吗？集中度是提升还是下降？

3.4 概念/行业/板块基金搜索SKILL（equity-fund-theme-search）

该SKILL用于搜索指定主题、行业或概念暴露最高的主动权益基金。主要功能包括：

Ø 数据预缓存机制加速数据计算和搜索；

Ø 支持申万一级行业、六大板块、行业概念搜索；

Ø 基于最新已披露报告期持仓，筛选主题暴露Top N基金；

Ø 交付概念基金清单、概念股清单、概念股出处标签；

Ø 匹配行业概念近义词共同搜索，提高搜索覆盖面。

该SKILL适合概念主题行情下的基金候选池构建和行业基金遴选。注意：每季度首次使用该SKILL时，需要缓存最新持仓数据，运行速度可能会较长，缓存后后续运行较快。

3.5 盘中净值估算SKILL（equity-fund-intraday-nav）

该SKILL面向主动权益基金的盘中复权净值估算，服务交易时段的实时跟踪、组合波动监控和重点基金观察。主要功能包括：

Ø 使用时在WorkBuddy等agent中输入单只或多只基金代码；

Ø 基于最新季报持仓、T-1权重与A股实时行情估算日内净值和涨跌幅；

Ø 适用于普通股票型、偏股混合型、灵活配置型基金。

该SKILL典型应用场景包括：这只主动权益基金今天盘中大概涨跌多少？组合里的基金今天整体表现如何？哪只基金对组合贡献最大/最小？但净值估算结果仅供参考，可能存在一定的误差。

3.6 相似/竞品基金搜索SKILL（equity-fund-peer-comparison）

Ø 该SKILL用于搜索相似基金，或者为自己管理的基金寻找竞品。主要功能包括：

Ø 适用于普通股票型、偏股混合型、灵活配置型基金；

Ø 从风格配置、板块配置两个维度寻找相似基金；

Ø 给出综合评价最相似的基金后，对比基金近3个月的最新业绩、持仓相似情况。

注意：每季度首次使用该SKILL时，需要缓存最新持仓数据，运行速度可能会较长，缓存后后续运行较快。典型应用场景包括：这只基金的竞品有哪些？A基金限购，是否有其他相似基金可以购买？

3.7 行业公募基金持仓拥挤度分析SKILL（equity-fund-crowding-analysis）

该SKILL根据公募基金持仓情况分析申万一级行业的拥挤度。主要功能设置如下：

Ø 以主动权益基金池为统计对象；

Ø 计算持有基金数、持有基金占比、主动权益基金合计持股占流通股本比例等指标；

Ø 展示近8个报告期的拥挤度变化。

典型应用场景包括：某只股票近2年的公募基金持仓拥挤度是如何变化的？食品饮料行业目前的公募基金持仓拥挤度如何？

4.1 核心子SKILL与功能一览

权益基金研究子SKILL是基金SKILL体系的核心，后续的高阶SKILL均需要依赖于子SKILL的运行结果。子SKILL可以单独使用，或者在高阶SKILL中被调用。我们按照基金研究的核心步骤，设计了丰富的子SKILL，可以对基金产品进行各种维度的分析。

以下为权益基金研究SKILL体系的核心子SKILL列表，涵盖基金研究的八个核心维度：

4.2 业绩评价SKILL（equity-fund-performance）

基金业绩评价SKILL用于评价单只权益基金的历史业绩、风险收益特征和同类竞争力。主要功能如下：

Ø 基于复权净值计算年化收益、最大回撤、波动率、夏普比率、索提诺比率、信息比率等；

Ø 支持Beta/Alpha、捕获率、业绩持续性（Hurst/Spearman/CPR）和同类排名等指标计算；

Ø 输出完整的业绩评价数据底稿、报告、HTML。

典型应用场景包括：历史表现如何？收益是否来自承担更高风险？同类中是否有竞争力？业绩是否具有持续性还是偶然因素？

4.3 投资风格分析SKILL（equity-fund-style-analysis）

该SKILL用于识别单只基金的投资风格定位、风格稳定性和风格漂移，主要功能如下：

Ø 生成晨星风格标准表，穿透持仓识别价值/成长、市值风格；

Ø 从成长价值、市值风格扩展到质量、动量、红利等维度；

Ø 识别基金的抱团行为，计算拥挤度；

Ø 可输出九宫格、五维得分、风格雷达图和历史风格变化；

Ø 支持多期风格漂移检测，量化风格转换的频率和幅度；

Ø 输出完整的风格分析数据底稿、报告、HTML。

典型应用场景包括：基金到底是什么选股风格？风格是否稳定？是否存在风格漂移？基金持仓中抱团程度怎么样？

4.4 行业配置分析SKILL（equity-fund-industry-analysis）

该SKILL用于分析单只权益基金的申万一级行业配置、主题属性和行业轮动特征。主要功能设计如下：

Ø 穿透A股与港股持仓，合并形成A+H行业配置视图；

Ø 计算行业权重、行业集中度（HHI）、行业相似度和行业轮动程度；

Ø 识别重仓行业、增减配方向和主题/板块暴露；

Ø 支持多期行业配置变迁追踪；

Ø 输出完整的行业配置分析数据底稿、报告、HTML。

典型应用场景包括：主要投哪些行业？行业是否集中？行业配置是否稳定？是否存在频繁轮动？A+H合并视角下的行业暴露如何？

4.5 资产配置分析SKILL（equity-fund-asset-allocation）

该SKILL用于分析基金大类资产仓位管理、A/H配置和择时倾向。主要功能设计如下：

Ø 跟踪股票、A股、港股、债券、可转债、现金等历史仓位；

Ø 使用C-L、H-M、T-M模型及仓位与市场相关性评估择时能力；

Ø 支持多期仓位趋势分析和择时收益拆解；

Ø 输出完整的资产配置分析数据底稿、报告、HTML。

典型应用场景包括：基金是稳定高仓位还是灵活调仓型？A/H配置比例如何变化？基金经理是否具备择时能力？

4.6 业绩归因SKILL（equity-fund-attribution-analysis）

该SKILL用于拆解基金超额收益来源，判断收益来自行业配置、个股选择还是仓位效应。该SKILL主要功能设置如下：

Ø 采用Brinson归因框架，单期默认BF方案；

Ø 多期归因使用BF+GRAP算法进行期间链接；

Ø 支持可选宽基、行业或主题指数作为基准；

Ø 行业AR/SR采用股票仓位内归一化口径；

Ø 输出配置效应、选择效应和交互效应的详细拆解；

Ø 输出完整的数据底稿、报告、HTML。

典型应用场景包括：基金为什么跑赢或跑输基准？超额收益主要来自行业配置还是个股选择？哪些行业贡献了正/负超额？

4.7 交易行为分析SKILL（equity-fund-trading-behavior-analysis）

该SKILL用于描绘基金经理的交易行为和调仓特征。该SKILL的主要功能设置如下：

Ø 分析报告期持仓换手率、持股周期和重仓股稳定性；

Ø 识别左侧/右侧交易偏好、顺势/逆势特征；

Ø 观察隐形交易能力（持仓未公开期间的调仓效果）；

Ø 输出完整的数据底稿、报告、HTML。

该SKILL典型应用场景包括：基金经理怎么交易？交易频率如何？是左侧布局还是右侧追涨？基金经理的隐形交易能力如何？

4.8 可投资性分析SKILL（equity-fund-investability）

该SKILL用于评估基金是否具备机构配置的基础条件。该SKILL的主要功能设置如下：

Ø 从规模、申赎流动性、机构认可度、基金经理稳定性、投资范围五个维度评分；

Ø 识别规模过小、清盘风险、流动性受限、经理变更等配置风险，可在SKILL中修改判别标准；

Ø 输出可投资性综合评价和准入建议；

Ø 适合基金准入、基金池维护、组合配置前置筛查；

Ø 输出完整的数据底稿、报告、HTML。

典型应用场景包括：这只基金能不能投？适不适合机构配置？是否存在规模、流动性或经理变更等风险？

4.9 基金经理观点搜集与整理SKILL（equity-fund-manager-latest-viewpoints）

该SKILL用于检索并结构化分析基金经理最新公开观点。功能设计如下：

Ø 覆盖定期报告文字、公开采访、路演、媒体材料等，除了标准的定期报告数据，agent会在网络中进行搜索；

Ø 如已配置腾讯ima、Obsidian等知识库skill也可以拓展；

Ø 提取市场判断、行业观点、组合操作、投资框架和风险提示。

典型应用场景包括：基金经理最新观点是什么？投资框架和市场判断有无变化？

在若干子SKILL的基础上，我们可以通过SKILL的编排，实现更加复杂的功能，例如综合各个子SKILL的输出结果，形成对基金产品更全面的分析。我们目前设计了5个高阶SKILL，涵盖了产品分析报告撰写、基金经理画像、言行一致分析、基金对比、基金经理自我复盘等五个不同的应用场景。

5.1 高阶SKILL一：基金产品评价报告（equity-fund-product-report）

基金产品评价报告SKILL面向单只基金的完整产品研究、尽调和汇报材料，是基金研究SKILL中最核心的高阶入口，其核心价值在于把单项指标分析升级为可直接用于决策的产品研究报告。该SKILL的功能设计如下：

Ø 编排业绩、风格、行业、资产配置、业绩归因、交易行为、可投资性和基金经理观点等子SKILL，子SKILL以多agent的方式并行运行，提高运行速度；

Ø 运行前集中预取数据构建缓存，避免各子模块重复查库；

Ø 汇总各模块数据和图表证据，由Agent撰写完整连贯的综合报告；

Ø 适用于基金池准入、重点基金尽调、汇报材料撰写。

该SKILL输出的HTML看板，由综合结论和各个模块构成，便于查看结论和细节。

我们利用Kimi的Agent模式，输入产品评价报告Word文档，让Kimi进行PPT的制作，即可得到排版精美的基金产品评价PPT。

5.2 高阶SKILL二：基金经理画像（equity-fund-manager-portrait）

基金经理画像SKILL用于刻画基金经理特征，以基金经理为研究对象，整合履历、观点、代表产品和实际投资行为。该SKILL设计的主要功能如下：

Ø 梳理基金经理履历、任职路径、管理产品和代表产品选择逻辑；

Ø 调用最新观点模块，提取投资框架、市场判断和行业观点；

Ø 通过代表产品验证业绩、风格、行业能力圈、交易行为；

Ø 最终输出履历与任职稳定性、业绩表现、风格稳定性、行业能力圈、持仓与交易纪律、观点清晰度等六维度的画像雷达图。

该SKILL的核心价值在于：快速了解基金经理的特征，获得完整的底稿和分析报告。

5.3 高阶SKILL三：基金对比（equity-fund-peer-comparison）

基金对比SKILL面向候选基金PK和基金遴选，在统一口径下比较多只主动权益基金。该SKILL的主要功能设计如下：

Ø 横向比较业绩、风险回撤、风格定位、行业配置、持仓重合度等方面；

Ø 识别候选基金之间的相似性、差异性；

Ø 输出基金特征对比表、差异分析的结论。

该SKILL适用于候选基金比较、多基金替换评估。如果想要对比其他维度，也可以把相关的子SKILL纳入进来。

5.4 高阶SKILL四：基金经理言行一致分析（equity-fund-manager-consistency）

基金经理言行一致分析SKILL面向基金经理可信度评价，将公开陈述与实际投资行为做系统性对照。该SKILL主要的功能设计如下：

Ø 分两类独立评估：观点一致性和框架一致性；

Ø 编排最新观点检索与代表产品上的持仓、风格、交易行为等子模块证据；

Ø 将定期报告、采访、路演中的行业/风格/仓位观点与后续配置、风格箱、换手率等指标对照评分；

Ø 适用于尽调追问、经理可信度评价和长期跟踪。

观点一致性关注短期观点与实际调仓的匹配程度，框架一致性关注投资哲学与长期行为的一致性。其核心价值在于：把说的和做的是否一致变成可校验、可评分的高阶研究结论。

5.5 高阶SKILL五：基金经理自我复盘（equity-fund-manager-self-review）

除了针对FOF等基金研究人员的SKILL，我们也利用子SKILL搭建了基金经理自我复盘SKILL。基金经理自我复盘SKILL面向主动权益基金经理使用，有助于回顾自己在产品管理中的得失。该SKILL的主要功能设计如下：

Ø 编排代表产品上的业绩分析、持仓、风格、归因、交易行为等子SKILL，生成数据证据；

Ø Agent结合定报文字回顾、市场环境和操作记录，撰写系统性自我复盘报告；

帮助基金经理沉淀经验、识别盲区、优化后续操作。

6.1 主动权益基金任务规划SKILL（fund-research-planner）

由于主动权益基金SKILLs体系内子SKILL众多，在安装了SKILL后，如果不了解每一个子SKILL的功能，并且需要按照自己的应用场景去选择适配的SKILL，因此我们设计了这样的主动权益基金任务编排SKILL。该SKILL的主要功能如下：

Ø 意图识别与技能路由：解析用户关于主动权益基金的问题（单基金分析、经理研究、对比搜索、市场扫描等），从主动权益基金SKILL体系的20 个子 SKILL 中匹配最合适的一个或多个，并给出推荐理由。

Ø 先规划、后执行：本身不直接做分析，而是先输出结构化方案（分析对象、推荐 SKILL、覆盖维度、输出形式），再通过弹窗让用户确认或调整，避免跑错分析维度。

Ø 确认后编排执行：用户确认后加载对应 SKILL，把原始问题、基金代码等上下文传递过去；支持单维度子技能，也支持 产品分析报告、基金经理画像 等高阶编排入口，多 SKILL 时串行执行。

6.2 以Plugin方式整合全部SKILL

当基金研究子SKILL数量增加后，需要用Plugin把它们组织成统一的基金研究工作台。Plugin的优势在于，通过将不同类别的SKILL分别整理成Plugin安装，便于统一管理，避免分散在skills文件夹中难以查找。Plugin有助于实现从单点工具到协同工作台的跃迁。

基金研究Plugin可在Cursor、Codex、WorkBuddy、Claude等多种产品中安装使用，通用性较好，实现跨平台的研究能力输出。

在Codex、Claude Desktop、Cursor中安装Plugin的效果如下图所示。若干SKILL被整齐收录在Plugin中，不会与其他SKILL混淆，便于搜索和查看。

在WorkBuddy中安装Plugin的情况较为特殊，Plugin以套件方式安装，安装好的plugin会在技能-已安装列表中展示为"套件"，套件中包含若干SKILL。

主动权益基金研究天然具备多维度、高重复、定性定量相结合、强交付的特点，使其成为SKILL化的理想场景。SKILL化后，研究员可以把精力从重复取数和运算转向判断、比较和决策，实现研究效率和产出质量的双重提升。

我们的权益基金研究SKILL体系已形成从单模块分析到高阶编排的完整框架。在核心维度层面，覆盖业绩、风格、行业、资产配置、归因、交易行为、可投资性、经理观点等八个子SKILL；在高频场景层面，覆盖季报分析、单基金定报、主题基金搜索、盘中净值估算、相似基金搜索、持仓拥挤度跟踪等六个专项入口；在高阶编排层面，覆盖产品综合报告、基金经理画像、基金横向对比、言行一致分析、基金经理自我复盘等五个高阶入口；在交付链路层面，覆盖Excel底稿、Word报告、HTML看板等三层输出。

未来，我们可以将更多的基金研究子SKILL纳入该体系，实现更多维度、更多种类基金的分析。

1) 本报告输出的内容，由AI产品基于一定的假设和历史数据进行的分析，结果仅供参考，不构成投资建议；

2) AI生成的内容存在幻觉风险和准确性风险，研究员应对输出结果进行人工复核；

3) SKILL体系的自动化分析不能替代专业投资判断，最终决策应结合研究员的专业知识和市场经验；

4) 基金投资有风险，过往业绩不代表未来表现，投资者应谨慎决策。

1. 《主动量化：ChatGPT思维链推理机构调研选股策略》

2. 《主动量化研究之二：当绩优基金重仓股遇到调研会发生什么“共振”？》

3. 《主动量化研究之一：择时、选股、选基——自主可控概念量化投资指南》

Beta猎手系列

1. 《Beta猎手系列之十三：多种类、多周期事件化的开放式择时框架》 

2. 《Beta猎手系列之十二：RAG-ChatGPT提前布局热点概念领涨股》

3. 《Beta猎手系列之十一：基于红利风格择时+红利股优选构建的固收+策略》

4. 《Beta猎手系列之十：个股K线图形态AI识别构建市场风格预测》

5. 《Beta猎手系列之九：人工智能全球大类资产配置模型》

6. 《Beta猎手系列之八：基于偏股型转债的择时与择券构建固收+策略》

7. 《Beta猎手系列之七：追上投资热点——基于LLM的产业链图谱智能化生成》

8. 《Beta猎手系列之六：基于宏观量价信号叠加的微盘股茅指数择时轮动策略》

9. 《Beta猎手系列之五：基于机构调研热度和广度视角的行业配置策略》

10. 《Beta猎手系列之四：如何利用ChatGPT解析卖方策略观点并构建行业轮动策略？》

11. 《Beta猎手系列之三：行业超预期的全方位识别与轮动策略》

12. 《Beta猎手系列之二：熵池模型：如何将纯主动观点纳入量化配置模型》

13. 《Beta猎手系列：基于动态宏观事件因子的股债轮动策略》

智能化选基系列

1. 《智能化选基系列之十一：公募新规下主动权益基金业绩基准选择框架》

2. 《智能化选基系列之七：基于AI预测中的个股Beta信息构建ETF轮动策略》

3. 《智能化选基系列之六：如何用AI选出持续跑赢市场的基金》

4. 《智能化选基系列之五：如何如何刻画基金经理的交易动机并进行基金优选？》

5. 《智能化选基系列之四：如何用LLM生成基金经理调研报告并构建标签体系？》

6. 《智能化选基系列之三：基金经理多维度能力评价因子优化》

7. 《智能化选基系列之二：风格轮动型基金的智能识别与量化优选》

8. 《智能化选基系列：如何通过全方位特征预测基金业绩并构建跑赢指数的基金组合》

1. 《金融工程2023年度投资策略：拨云见日终有时》

2. 《金融工程2024年度策略：小盘股为帆，AI量化掌舵》

3. 《金融工程2025年度策略：LLM破局Alpha困境，拥抱Beta大时代》

4. 《金融工程2026年度策略：拥抱AI投研巨浪，迎接量化投资新篇章》

报告信息