技能介绍

要解决什么问题

做宏观、信用或衍生品研究时，你往往需要对冲基金行业的聚合统计——规模、杠杆、对手方集中度、融资条款等——而不是单只基金的 13F。美国金融研究办公室（OFR）的 Hedge Fund Monitor（HFM） 通过 REST 接口公开 Form PF、CFTC TFF、FRB SCOOS、FICC 等来源的序列数据，无需注册或 API Key。难点在于助记符体系（如 FPF-ALLQHF_LEVERAGERATIO_GAVWMEAN）、多数据集口径，以及元数据检索与时间序列参数（periodicity、how）的组合使用。

技能如何工作

本技能把 HFM 的基础 URL（https://data.financialresearch.gov/hf/v1）和常用端点整理成可检索的说明，便于在对话里直接拼请求或写脚本：

元数据：GET /metadata/mnemonics、/metadata/query?mnemonic=、/metadata/search?query=（支持 *、? 通配符）
序列数据：单条 timeseries / full，批量 multifull，整库 dataset?dataset=fpf 等
按类导出：GET /categories?category=leverage 等六类（size、leverage、counterparties、liquidity、complexity、risk_management）可下 CSV
利差：GET /calc/spread?x=&y= 对两条序列做差

常用查询参数包括 start_date / end_date、periodicity（Q/M/A/D/W）、how（last、mean、median 等）、remove_nulls、time_format。技能内 references 文档覆盖端点细节、数据集说明与 Python 示例（发现序列、批量下载、DataFrame 工作流）。

适用边界与注意

数据更新频率因数据集而异（Form PF 季度、TFF/FICC 月度等），做「最新一期」分析前应先查元数据或序列末值日期。助记符与统计量（SUM、分位数、NAV 加权均值等）含义需对照 FPF 模式理解，避免跨策略范围（如 STRATEGY_CREDIT vs ALLQHF）混比。API 为只读开放接口，大规模拉取请注意频率与本地缓存；复杂多步研究可配合脚本或外部研究环境，但本技能本身不提供 OFR 侧的数据质量保证。