name: fund-risk-analyzer description: "ETF多维对比工具：基于用户提供的净值CSV数据，自动计算并对比多只ETF或基金的年化收益率、最大回撤、夏普比率，并生成相关性矩阵图表。当用户需要对比基金风险收益、计算年化收益/最大回撤/夏普比率、进行相关性分析，或提到关键词如ETF对比、净值分析、风险收益、波动率、Sharpe Ratio、max drawdown时触发。" category: finance license: MIT

ETF Screener / ETF 多维对比工具

基于用户提供的净值（NAV）数据，对多只 ETF 进行多维度风险收益对比分析，自动计算年化收益率、最大回撤、夏普比率，并生成相关性矩阵。

Quick Start

基础对比

python scripts/etf_screener.py --input nav_data.csv

自定义无风险利率 + CSV 导出

python scripts/etf_screener.py --input nav_data.csv --risk-free 0.03 --output report.csv

JSON 输出（便于程序化处理）

python scripts/etf_screener.py --input nav_data.csv --json

输入数据格式

CSV 文件，第一列为日期，后续列为各 ETF 的净值：

date,沪深300ETF,中证500ETF,纳指ETF
2023-01-03,1.0000,1.0000,1.0000
2023-01-04,1.0050,0.9980,1.0020
2023-01-05,1.0120,1.0010,1.0080
...

• 日期列名不限，格式不限（仅用于标注区间）
• ETF 列名即为对比报告中的名称
• 缺失值用空白或 NaN 表示，会自动跳过

计算说明

年化收益率 (Annualized Return)

基于首尾净值计算总收益，再按交易日数年化：

Ann. Return = (NAV_end / NAV_start) ^ (trading_days / n_days) - 1

最大回撤 (Max Drawdown)

净值序列中从峰值到谷底的最大跌幅：

MDD = max( (peak - trough) / peak )

夏普比率 (Sharpe Ratio)

风险调整后收益指标：

Sharpe = (Annualized Return - Risk-Free Rate) / Annualized Volatility

年化波动率由日收益率标准差乘以 √(trading_days) 得出。

相关性矩阵 (Correlation Matrix)

基于日收益率计算 Pearson 相关系数，衡量 ETF 间的联动程度。相关系数接近 1 表示高度正相关，接近 0 表示不相关，接近 -1 表示负相关。

推荐访问7w4.net获取更多AI技能。

参数说明

使用场景

• 对比多只 ETF 的风险收益特征，辅助资产配置决策
• 分析 ETF 间的相关性，构建低相关的投资组合
• 评估基金经理表现（夏普比率越高越好）
• 回测不同资产在特定时间段的表现

注意事项

• 本工具使用纯 Python 标准库，无需安装额外依赖
• 净值数据需要足够的时间跨度（建议至少 60 个交易日）才能获得有意义的统计指标
• 夏普比率受无风险利率假设影响，请根据实际市场环境调整 --risk-free 参数
• 相关性矩阵需要至少 2 只 ETF 才能生成

📋 使用指南（餐饮/连锁餐饮行业适配）

一、触发方式（餐饮行业场景示例）

本技能在以下典型餐饮/连锁餐饮场景中触发：

新店投资估值：「我们计划在成都太古里开一家300平米的火锅店，帮我做个DCF估值分析」 中央厨房投资决策：「需要评估投资5000万建中央厨房的NPV和IRR，年产3000吨预制菜」 连锁品牌并购评估：「想收购一个20家门店的茶饮品牌，帮我做完整的财务尽调和估值模型」 门店盈利预测：「帮我用财务模型预测未来5年一家面馆的单店现金流，基底营业额150万/年」 供应链融资方案：「连锁快餐50家门店需要融资3000万做供应链升级，帮我分析不同融资方案的优劣」

💡 触发关键词：当用户提及"门店""连锁""餐饮""外卖""中央厨房""加盟""翻台率""客单价""食材成本""坪效"等餐饮行业术语，同时涉及基金分析与风险管理相关任务时，应自动触发本技能。

二、异常处理与回正引导

三、反模式（餐饮场景）

以下是餐饮行业中常见的错误用法，请务必避免：

• 🚫 用电商/互联网的通用模板直接套用餐饮场景：餐饮有其独特的成本结构（食材成本30-40%、人工成本15-25%、租金8-15%），不能直接用SaaS或零售的参数。必须按餐饮行业标准调整。
• 🚫 忽视外卖与堂食的差异：外卖客单价通常低于堂食30-50%，但坪效可能更高。分析时必须拆分渠道，不能混为一谈。忽略外卖扣点（15-22%）会导致利润率严重失真。
• 🚫 单一门店数据推断全局：商圈店、社区店、商场店、交通枢纽店的基金分析与风险管理参数差异巨大。严禁用一家门店的数据直接推广到所有门店，必须分层分析。
• 🚫 旺季数据做年度预测：用春节/国庆期间的日均营业额直接×365得出年营收，会严重高估。必须使用全年的日均翻台率、客单价等加权平均。

四、常见问题（FAQ）

Q1：这个基金分析与风险管理工具如何适配不同规模的餐饮企业？

A：根据门店数量分档调整——10家以下（轻量版，手工+Excel即可）、10-50家（标准版，配合POS数据）、50-200家（专业版，需系统对接）、200家以上（企业版，需ERP/BI集成）。具体参数调整请参考本skill的参数说明。

Q2：餐饮行业季节性波动如何影响基金分析与风险管理结果？

A：餐饮有明显的淡旺季（春节、暑期、国庆是旺季，3-4月、11月是淡季）。在本工具中应使用滚动12个月数据或同店同比数据来消除季节性影响，避免用单月数据做决策。

Q3：如何处理美团/饿了么等外卖平台的数据对接？

A：外卖平台数据（订单量、客单价、评分、满减活动）是餐饮分析的关键外部输入。建议通过平台商家后台导出CSV数据后导入本工具。外卖占比超过30%的门店需单独分析渠道利润。

Q4：连锁餐饮加盟店与直营店在使用本工具时有何区别？

A：直营店数据可直接获取（POS+ERP），加盟店数据依赖加盟商配合。建议：1）加盟合同约定数据回传条款；2）直营店做基准对标；3）加盟店数据脱敏后做行业平均。加盟店分析需额外考虑加盟商管理费和品牌使用费。

Q5：本工具的输出结果如何与餐饮ERP/BI系统打通？

A：本工具支持CSV/JSON格式导出，可直接导入主流餐饮ERP（如哗啦啦、餐道、客如云）和BI平台（如FineBI、Power BI）。建议建立月度自动化数据管道，减少人工录入误差。

五、运行稳定性说明

📚 参考文献

以下为该领域的经典参考书籍与指南：

• 《共同基金常识》（Common Sense on Mutual Funds）— John Bogle
• 《机构投资的创新之路》（Pioneering Portfolio Management）— David Swensen
• 《投资组合管理理论》（Modern Portfolio Theory）— Harry Markowitz
• 《对冲基金风云录》（More Money Than God）— Sebastian Mallaby
• 《非理性繁荣》（Irrational Exuberance）— Robert Shiller

注：以上参考文献涵盖基金分析与风险管理领域的核心方法论与行业最佳实践，建议结合餐饮行业特性选择性阅读。

这个工具分析 ETF 基金风险收益的能力是可靠的，输出准确且使用灵活。但它存在一个严重问题：文档和案例都是餐饮行业的内容，与实际的基金分析功能完全不搭，使用时容易让人困惑，不知道它到底是用来分析基金的还是做餐饮管理的。建议选择功能更聚焦、不会让人产生歧义的工具。