Agent Skills
返回列表
金融大数据

金融大数据

行业专业 更新于 2026.08.30

将以下提示词粘贴到你的 AI 对话框中:

请根据 https://skillhub.cn/install/skillhub.md ,安装 @user_d83d7c97/wm-skill-fin-data。

技能介绍

解决的问题

金融团队在接入大模型时普遍遇到三类拦路虎:数据格式杂乱(CSV、JSON、行情流并存)、指标口径不统一(同一"波动率"指标在风控、投研、合规三处定义各异)、时序回溯困难(回测需要重建任意历史截面)。这些问题会让提示工程注定失败——模型无法基于不一致的输入给出可靠判断。

如何工作

@user_d83d7c97/wm-skill-fin-data 的设计思路是把数据治理前置,而不是指望模型自己清洗。其核心能力按执行顺序拆解为:

  • 统一 schema 解析:识别常见行情、财报、因子数据的字段映射,将异构输入归一到标准化结构
  • 指标计算层:基于归一化后的数据生成衍生指标,覆盖风控常用的波动率、回撤、VaR 等口径
  • 时序切片:按回测窗口重建历史截面,确保模型看到的是截至 T 时刻的真实数据,无未来信息泄漏
  • 上下文组织:将计算结果整理为模型可消费的文本片段,控制 token 预算在合理区间

适用边界与注意点

该技能适用于数据已就绪、口径已定义的标准金融数据分析流程,但它不提供策略优化。纯行情预测、衍生品定价等问题仍需与其他工具配合完成。

使用前,请务必明确策略接口。输入数据的时间戳精度需达到可回溯级别,否则切片重建将失去意义。

使用场景

  • 投研分析师在晨会前要把昨晚的行情快照整理成标准 schema,并重算当日波动率与回撤口径。
  • 风险经理在季度审计前要按历史窗口切片,验证 VaR 与最大回撤的口径是否延续一致。
  • 金融工程团队要把逐笔行情流和财报字段映射进统一结构,为后续模型推理准备上下文。
  • 合规专员在策略上线前要检查回测内容是否引入未来信息,确认时序切片没有前瞻偏差。

适合人员

  • 投研分析师:能在晨会前从异构数据源重建统一 schema,并快速完成波动率、回撤口径计算与解释。
  • 风险经理:在压力测试和季度审计前,按历史窗口切片核对 VaR 与最大回撤的口径一致性。
  • 金融工程团队:把行情流和财报字段映射进固定 schema,为模型上下文整理与回测重建提供可用数据。
  • 合规与模型验证工程师:检查时序重建是否合规、是否存在未来信息泄漏影响模型判断。