name: fund-risk-analyzer description: "ETF多維對比工具：基於使用者提供的淨值CSV資料，自動計算並對比多隻ETF或基金的年化收益率、最大回撤、夏普比率，並生成相關性矩陣圖表。當用戶需要對比基金風險收益、計算年化收益/最大回撤/夏普比率、進行相關性分析，或提到關鍵詞如ETF對比、淨值分析、風險收益、波動率、Sharpe Ratio、max drawdown時觸發。" category: finance license: MIT

ETF Screener / ETF 多維對比工具

基於使用者提供的淨值（NAV）資料，對多隻 ETF 進行多維度風險收益對比分析，自動計算年化收益率、最大回撤、夏普比率，並生成相關性矩陣。

Quick Start

基礎對比

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

自定義無風險利率 + CSV 匯出

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

JSON 輸出（便於程式化處理）

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

輸入資料格式

CSV 檔案，第一列為日期，後續列為各 ETF 的淨值：

date,滬深300ETF,中證500ETF,納指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（僅用於標註區間）
• ETF 列名即為對比報告中的名稱
• 缺失值用空白或 NaN 表示，會自動跳過

計算說明

年化收益率 (Annualized Return)

基於首尾淨值計算總收益，再按交易日數年化：

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

最大回撤 (Max Drawdown)

淨值序列中從峰值到谷底的最大跌幅：

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

夏普比率 (Sharpe Ratio)

風險調整後收益指標：

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

年化波動率由日收益率標準差乘以 √(trading_days) 得出。

相關性矩陣 (Correlation Matrix)

基於日收益率計算 Pearson 相關係數，衡量 ETF 間的聯動程度。相關係數接近 1 表示高度正相關，接近 0 表示不相關，接近 -1 表示負相關。

引數說明

使用場景

• 對比多隻 ETF 的風險收益特徵，輔助資產配置決策
• 分析 ETF 間的相關性，構建低相關的投資組合
• 評估基金經理表現（夏普比率越高越好）
• 回測不同資產在特定時間段的表現

注意事項

• 本工具使用純 Python 標準庫，無需安裝額外依賴
• 淨值資料需要足夠的時間跨度（建議至少 60 個交易日）才能獲得有意義的統計指標
• 夏普比率受無風險利率假設影響，請根據實際市場環境調整 --risk-free 引數
• 相關性矩陣需要至少 2 只 ETF 才能生成

📋 使用指南（餐飲/連鎖餐飲行業適配）

一、觸發方式（餐飲行業場景示例）

本技能在以下典型餐飲/連鎖餐飲場景中觸發：

新店投資估值：「我們計劃在成都太古里開一家300平米的火鍋店，幫我做個DCF估值分析」 中央廚房投資決策：「需要評估投資5000萬建中央廚房的NPV和IRR，年產3000噸預製菜」 連鎖品牌併購評估：「想收購一個20家門店的茶飲品牌，幫我做完整的財務盡調和估值模型」 門店盈利預測：「幫我用財務模型預測未來5年一家麵館的單店現金流，基底營業額150萬/年」 供應鏈融資方案：「連鎖快餐50家門店需要融資3000萬做供應鏈升級，幫我分析不同融資方案的優劣」

💡 觸發關鍵詞：當用戶提及"門店""連鎖""餐飲""外賣""中央廚房""加盟""翻檯率""客單價""食材成本""坪效"等餐飲行業術語，同時涉及基金分析與風險管理相關任務時，應自動觸發本技能。

二、異常處理與回正引導

三、反模式（餐飲場景）

以下是餐飲行業中常見的錯誤用法，請務必避免：

• 🚫 用電商/網際網路的通用模板直接套用餐飲場景：餐飲有其獨特的成本結構（食材成本30-40%、人工成本15-25%、租金8-15%），不能直接用SaaS或零售的引數。必須按餐飲行業標準調整。
• 🚫 忽視外賣與堂食的差異：外賣客單價通常低於堂食30-50%，但坪效可能更高。分析時必須拆分渠道，不能混為一談。忽略外賣扣點（15-22%）會導致利潤率嚴重失真。
• 🚫 單一門店資料推斷全域性：商圈店、社群店、商場店、交通樞紐店的基金分析與風險管理引數差異巨大。嚴停用一家門店的資料直接推廣到所有門店，必須分層分析。
• 🚫 旺季資料做年度預測：用春節/國慶期間的日均營業額直接×365得出年營收，會嚴重高估。必須使用全年的日均翻檯率、客單價等加權平均。

四、常見問題（FAQ）

Q1：這個基金分析與風險管理工具如何適配不同規模的餐飲企業？

A：根據門店數量分檔調整——10家以下（輕量版，手工+Excel即可）、10-50家（標準版，配合POS資料）、50-200家（專業版，需系統對接）、200家以上（企業版，需ERP/BI整合）。具體引數調整請參考本skill的引數說明。

Q2：餐飲行業季節性波動如何影響基金分析與風險管理結果？

A：餐飲有明顯的淡旺季（春節、暑期、國慶是旺季，3-4月、11月是淡季）。在本工具中應使用滾動12個月資料或同店同比資料來消除季節性影響，避免用單月資料做決策。

Q3：如何處理美團/餓了麼等外賣平臺的資料對接？

A：外賣平臺數據（訂單量、客單價、評分、滿減活動）是餐飲分析的關鍵外部輸入。建議通過平臺商家後臺匯出CSV資料後匯入本工具。外賣佔比超過30%的門店需單獨分析渠道利潤。

Q4：連鎖餐飲加盟店與直營店在使用本工具時有何區別？

A：直營店資料可直接獲取（POS+ERP），加盟店資料依賴加盟商配合。建議：1）加盟合同約定資料回傳條款；2）直營店做基準對標；3）加盟店資料脫敏後做行業平均。加盟店分析需額外考慮加盟商管理費和品牌使用費。

Q5：本工具的輸出結果如何與餐飲ERP/BI系統打通？

A：本工具支援CSV/JSON格式匯出，可直接匯入主流餐飲ERP（如嘩啦啦、餐道、客如雲）和BI平臺（如FineBI、Power BI）。建議建立月度自動化資料管道，減少人工錄入誤差。

7w4.net小蔥技能站，你的AI助手技能庫。

五、執行穩定性說明

📚 參考文獻

以下為該領域的經典參考書籍與指南：

• 《共同基金常識》（Common Sense on Mutual Funds）— John Bogle
• 《機構投資的創新之路》（Pioneering Portfolio Management）— David Swensen
• 《投資組合管理理論》（Modern Portfolio Theory）— Harry Markowitz
• 《對沖基金風雲錄》（More Money Than God）— Sebastian Mallaby
• 《非理性繁榮》（Irrational Exuberance）— Robert Shiller

注：以上參考文獻涵蓋基金分析與風險管理領域的核心方法論與行業最佳實踐，建議結合餐飲行業特性選擇性閱讀。

這個工具分析 ETF 基金風險收益的能力是可靠的，輸出準確且使用靈活。但它存在一個嚴重問題：文件和案例都是餐飲行業的內容，與實際的基金分析功能完全不搭，使用時容易讓人困惑，不知道它到底是用來分析基金的還是做餐飲管理的。建議選擇功能更聚焦、不會讓人產生歧義的工具。