fund-cli 2.0.0__py3-none-any.whl

fund_cli/__init__.py

@@ -0,0 +1,13 @@
+"""
+Fund CLI - 专业基金分析CLI工具
+
+面向机构客户的基金分析命令行工具，支持基金筛选、业绩分析、组合优化等功能。
+"""
+
+__version__ = "2.0.0"
+__author__ = "Fund CLI Team"
+__license__ = "MIT"
+
+from fund_cli.cli import app
+
+__all__ = ["app", "__version__"]

fund_cli/__main__.py

@@ -0,0 +1,10 @@
+"""
+Fund CLI 入口点
+
+支持通过 python -m fund_cli 运行。
+"""
+
+from fund_cli.cli import app
+
+if __name__ == "__main__":
+    app()

fund_cli/ai/__init__.py

@@ -0,0 +1,21 @@
+"""AI模块 - LLM提供商、AI分析服务、提示词模板"""
+
+from fund_cli.ai.analyzer import AIAnalyzer
+from fund_cli.ai.prompts import PromptTemplates
+from fund_cli.ai.providers import (
+    LiteLLMProvider,
+    LLMProvider,
+    OpenAIProvider,
+    QwenProvider,
+    get_provider,
+)
+
+__all__ = [
+    "LLMProvider",
+    "OpenAIProvider",
+    "QwenProvider",
+    "LiteLLMProvider",
+    "get_provider",
+    "AIAnalyzer",
+    "PromptTemplates",
+]

fund_cli/ai/analyzer.py

@@ -0,0 +1,360 @@
+"""
+AI 分析服务（V2.0 实现）
+
+使用 LLM 进行基金分析、报告生成等功能。
+"""
+
+from __future__ import annotations
+
+import json
+import re
+from typing import Any
+
+from fund_cli.ai.prompts import PromptTemplates
+from fund_cli.ai.providers import LLMProvider, get_provider
+
+
+class AIAnalyzer:
+    """
+    AI 分析服务
+
+    使用 LLM 进行基金分析、报告生成等功能。
+    """
+
+    def __init__(self, provider: LLMProvider | None = None):
+        """
+        初始化 AI 分析服务
+
+        Args:
+            provider: LLM 提供商实例，如果为None则使用默认配置创建
+        """
+        self.provider = provider or get_provider()
+        self.prompts = PromptTemplates()
+
+    def summarize_fund(self, fund_code: str, fund_data: dict[str, Any]) -> str:
+        """
+        生成基金分析摘要
+
+        Args:
+            fund_code: 基金代码
+            fund_data: 基金数据字典，包含info、nav、metrics等
+
+        Returns:
+            AI生成的基金摘要文本
+        """
+        info = fund_data.get("info", {})
+        metrics = fund_data.get("metrics", {})
+
+        prompt_data = {
+            "fund_code": fund_code,
+            "fund_name": info.get("name", "未知"),
+            "fund_type": info.get("type", "未知"),
+            "manager": info.get("manager", "未知"),
+            "total_return": metrics.get("total_return", 0),
+            "cagr": metrics.get("cagr", 0),
+            "sharpe": metrics.get("sharpe_ratio", 0),
+            "max_drawdown": metrics.get("max_drawdown", 0),
+            "volatility": metrics.get("volatility", 0),
+        }
+
+        prompt = self.prompts.format_summary_prompt(prompt_data)
+        return self.provider.generate(prompt)
+
+    def compare_funds(self, fund_codes: list[str], funds_data: list[dict]) -> str:
+        """
+        对比分析多只基金
+
+        Args:
+            fund_codes: 基金代码列表
+            funds_data: 基金数据列表
+
+        Returns:
+            AI生成的对比分析报告
+        """
+        funds_text = []
+        for i, data in enumerate(funds_data):
+            code = fund_codes[i] if i < len(fund_codes) else data.get("code", "")
+            info = data.get("info", {})
+            metrics = data.get("metrics", {})
+
+            fund_text = f"""
+基金 {i + 1}: {code}
+- 名称: {info.get('name', '未知')}
+- 类型: {info.get('type', '未知')}
+- 年化收益: {metrics.get('cagr', 0)}%
+- 夏普比率: {metrics.get('sharpe_ratio', 0)}
+- 最大回撤: {metrics.get('max_drawdown', 0)}%
+- 波动率: {metrics.get('volatility', 0)}%
+"""
+            funds_text.append(fund_text)
+
+        prompt = self.prompts.format_compare_prompt("\n".join(funds_text))
+        return self.provider.generate(prompt)
+
+    def investment_advice(
+        self, fund_code: str, fund_data: dict[str, Any], risk_profile: str
+    ) -> dict[str, str]:
+        """
+        生成投资建议
+
+        Args:
+            fund_code: 基金代码
+            fund_data: 基金数据
+            risk_profile: 风险偏好 (conservative/moderate/aggressive)
+
+        Returns:
+            结构化投资建议字典
+        """
+        info = fund_data.get("info", {})
+        metrics = fund_data.get("metrics", {})
+
+        fund_info = {
+            "name": info.get("name", "未知"),
+            "code": fund_code,
+            "type": info.get("type", "未知"),
+            "cagr": metrics.get("cagr", 0),
+            "sharpe": metrics.get("sharpe_ratio", 0),
+            "max_drawdown": metrics.get("max_drawdown", 0),
+        }
+
+        prompt = self.prompts.format_investment_advice_prompt(fund_info, risk_profile)
+        response = self.provider.generate(prompt)
+
+        return self._parse_json_response(response)
+
+    def risk_assessment(
+        self, fund_code: str, fund_data: dict[str, Any], detailed: bool = False
+    ) -> dict[str, str]:
+        """
+        深度风险评估
+
+        Args:
+            fund_code: 基金代码
+            fund_data: 基金数据
+            detailed: 是否生成详细分析
+
+        Returns:
+            风险评估结果字典
+        """
+        info = fund_data.get("info", {})
+        nav_data = fund_data.get("nav", [])
+
+        # 计算风险指标
+        risk_metrics = self._calculate_risk_metrics(nav_data)
+
+        fund_info = {
+            "name": info.get("name", "未知"),
+            "code": fund_code,
+            "max_drawdown": risk_metrics.get("max_drawdown", 0),
+            "volatility": risk_metrics.get("volatility", 0),
+            "downside_deviation": risk_metrics.get("downside_deviation", 0),
+            "sortino_ratio": risk_metrics.get("sortino_ratio", 0),
+            "beta": risk_metrics.get("beta", 0),
+            "risk_events": "无重大风险事件",  # 可从历史数据中提取
+        }
+
+        prompt = self.prompts.format_risk_assessment_prompt(fund_info, detailed)
+        response = self.provider.generate(prompt)
+
+        return self._parse_json_response(response)
+
+    def market_insight(
+        self, fund_code: str, fund_data: dict[str, Any], market_context: str | None = None
+    ) -> str:
+        """
+        市场解读分析
+
+        Args:
+            fund_code: 基金代码
+            fund_data: 基金数据
+            market_context: 市场环境描述（可选）
+
+        Returns:
+            市场解读文本
+        """
+        info = fund_data.get("info", {})
+        nav_data = fund_data.get("nav", [])
+
+        # 计算近期收益
+        recent_return = 0
+        if len(nav_data) >= 2:
+            recent_return = (nav_data[-1] - nav_data[0]) / nav_data[0] * 100
+
+        fund_info = {
+            "name": info.get("name", "未知"),
+            "code": fund_code,
+            "recent_return": recent_return,
+            "rank_in_category": "前30%",  # 可从数据中获取
+        }
+
+        prompt = self.prompts.format_market_insight_prompt(fund_info, market_context)
+        return self.provider.generate(prompt)
+
+    def portfolio_review(self, portfolio_data: dict[str, Any]) -> dict[str, str]:
+        """
+        投资组合分析
+
+        Args:
+            portfolio_data: 组合数据，包含持仓、权重、历史收益等
+
+        Returns:
+            组合分析结果
+        """
+        # 计算组合指标
+        portfolio_metrics = self._calculate_portfolio_metrics(portfolio_data)
+
+        portfolio_info = {
+            "funds": portfolio_data.get("funds", []),
+            "weights": portfolio_data.get("weights", []),
+            "expected_return": portfolio_metrics.get("expected_return", 0),
+            "expected_volatility": portfolio_metrics.get("expected_volatility", 0),
+            "portfolio_sharpe": portfolio_metrics.get("portfolio_sharpe", 0),
+        }
+
+        prompt = self.prompts.format_portfolio_review_prompt(portfolio_info)
+        response = self.provider.generate(prompt)
+
+        return self._parse_json_response(response)
+
+    def generate_report(
+        self, fund_code: str, fund_info: dict[str, Any], metrics: dict[str, Any]
+    ) -> str:
+        """
+        生成分析报告
+
+        Args:
+            fund_code: 基金代码
+            fund_info: 基金信息
+            metrics: 分析指标
+
+        Returns:
+            报告文本
+        """
+        prompt_data = {
+            "fund_code": fund_code,
+            "fund_name": fund_info.get("name", "未知"),
+            "fund_type": fund_info.get("type", "未知"),
+            "manager": fund_info.get("manager", "未知"),
+            "total_return": metrics.get("total_return", 0),
+            "cagr": metrics.get("cagr", 0),
+            "sharpe": metrics.get("sharpe_ratio", 0),
+            "max_drawdown": metrics.get("max_drawdown", 0),
+            "volatility": metrics.get("volatility", 0),
+        }
+
+        prompt = self.prompts.format_summary_prompt(prompt_data)
+        return self.provider.generate(prompt)
+
+    def _parse_json_response(self, response: str) -> dict[str, str]:
+        """
+        解析JSON格式的AI响应
+
+        Args:
+            response: AI响应文本
+
+        Returns:
+            解析后的字典
+        """
+        # 尝试提取JSON内容
+        json_match = re.search(r"\{[\s\S]*\}", response)
+        if json_match:
+            try:
+                return json.loads(json_match.group())
+            except json.JSONDecodeError:
+                pass
+
+        # 如果JSON解析失败，返回结构化文本
+        return {"raw_response": response}
+
+    def _calculate_risk_metrics(self, nav_data: list) -> dict[str, float]:
+        """
+        计算风险指标
+
+        Args:
+            nav_data: 净值数据列表
+
+        Returns:
+            风险指标字典
+        """
+        if not nav_data or len(nav_data) < 2:
+            return {
+                "max_drawdown": 0,
+                "volatility": 0,
+                "downside_deviation": 0,
+                "sortino_ratio": 0,
+                "beta": 0,
+            }
+
+        import numpy as np
+
+        # 计算收益率
+        returns = np.diff(nav_data) / nav_data[:-1]
+
+        # 最大回撤
+        cumulative = np.cumprod(1 + returns)
+        running_max = np.maximum.accumulate(cumulative)
+        drawdown = (cumulative - running_max) / running_max
+        max_drawdown = np.min(drawdown) * 100 if len(drawdown) > 0 else 0
+
+        # 波动率
+        volatility = np.std(returns) * np.sqrt(252) * 100 if len(returns) > 0 else 0
+
+        # 下行标准差
+        downside_returns = returns[returns < 0]
+        downside_deviation = (
+            np.std(downside_returns) * np.sqrt(252) * 100 if len(downside_returns) > 0 else 0
+        )
+
+        # 索提诺比率
+        avg_return = np.mean(returns) * 252 * 100 if len(returns) > 0 else 0
+        sortino_ratio = avg_return / downside_deviation if downside_deviation > 0 else 0
+
+        # Beta (简化计算，假设市场收益率为0)
+        beta = 1.0
+
+        return {
+            "max_drawdown": abs(max_drawdown),
+            "volatility": volatility,
+            "downside_deviation": downside_deviation,
+            "sortino_ratio": sortino_ratio,
+            "beta": beta,
+        }
+
+    def _calculate_portfolio_metrics(self, portfolio_data: dict) -> dict[str, float]:
+        """
+        计算组合指标
+
+        Args:
+            portfolio_data: 组合数据
+
+        Returns:
+            组合指标字典
+        """
+        funds = portfolio_data.get("funds", [])
+        weights = portfolio_data.get("weights", [])
+
+        if not funds or not weights:
+            return {
+                "expected_return": 0,
+                "expected_volatility": 0,
+                "portfolio_sharpe": 0,
+            }
+
+        # 计算加权平均收益
+        total_return = 0
+        total_sharpe = 0
+
+        for i, fund in enumerate(funds):
+            weight = weights[i] if i < len(weights) else 0
+            metrics = fund.get("metrics", {})
+            total_return += metrics.get("cagr", 0) * weight
+            total_sharpe += metrics.get("sharpe_ratio", 0) * weight
+
+        # 简化计算，假设波动率为10%
+        volatility = 10.0
+
+        return {
+            "expected_return": total_return,
+            "expected_volatility": volatility,
+            "portfolio_sharpe": total_sharpe,
+        }

fund_cli/ai/prompts.py

@@ -0,0 +1,244 @@
+"""
+AI 提示词模板（V2.0 实现）
+
+管理用于基金分析的提示词模板。
+"""
+
+from typing import Any
+
+
+class PromptTemplates:
+    """提示词模板管理"""
+
+    FUND_SUMMARY = """
+你是一位专业的基金分析师。请根据以下基金数据生成一份简洁的分析摘要。
+
+基金信息：
+- 代码：{fund_code}
+- 名称：{fund_name}
+- 类型：{fund_type}
+- 基金经理：{manager}
+
+业绩指标：
+- 总收益率：{total_return}%
+- 年化收益率：{cagr}%
+- 夏普比率：{sharpe}
+- 最大回撤：{max_drawdown}%
+- 年化波动率：{volatility}%
+
+请从以下维度分析：
+1. 收益能力
+2. 风险控制
+3. 综合评价
+"""
+
+    FUND_COMPARE = """
+你是一位专业的基金分析师。请对比分析以下基金。
+
+{funds_data}
+
+请从以下维度对比分析：
+1. 收益对比
+2. 风险对比
+3. 风险调整收益对比
+4. 综合推荐
+"""
+
+    RISK_ANALYSIS = """
+你是一位专业的风险管理分析师。请分析以下基金的风险状况。
+
+基金：{fund_name}（{fund_code}）
+
+风险指标：
+- 年化波动率：{volatility}%
+- 最大回撤：{max_drawdown}%
+- VaR(95%)：{var_95}%
+- VaR(99%)：{var_99}%
+- 偏度：{skewness}
+- 峰度：{kurtosis}
+
+请分析：
+1. 整体风险水平
+2. 尾部风险特征
+3. 风险管理建议
+"""
+
+    INVESTMENT_ADVICE = """
+你是一位专业的投资顾问。请基于以下基金数据给出投资建议。
+
+基金：{fund_name}（{fund_code}）
+类型：{fund_type}
+
+业绩指标：
+- 年化收益：{cagr}%
+- 夏普比率：{sharpe}
+- 最大回撤：{max_drawdown}%
+
+投资者风险偏好：{risk_profile}
+
+请给出：
+1. 是否适合该投资者（是/否/谨慎考虑）
+2. 建议配置比例（如适用）
+3. 关键风险提示
+4. 持有期建议
+
+请以JSON格式输出结果，格式如下：
+{{
+    "suitability": "是/否/谨慎考虑",
+    "allocation": "建议配置比例",
+    "risk_warning": "关键风险提示",
+    "holding_period": "持有期建议"
+}}
+"""
+
+    MARKET_INSIGHT = """
+你是一位市场分析师。请结合当前市场环境分析该基金表现。
+
+基金：{fund_name}（{fund_code}）
+近期收益：{recent_return}%
+同类排名：{rank_in_category}
+
+市场环境：{market_context}
+
+请分析：
+1. 基金表现与市场关系
+2. 基金经理应对能力
+3. 未来展望
+"""
+
+    PORTFOLIO_REVIEW = """
+你是一位投资组合顾问。请对以下组合进行整体评估。
+
+组合配置：
+{portfolio_config}
+
+组合指标：
+- 预期收益：{expected_return}%
+- 预期波动：{expected_volatility}%
+- 夏普比率：{portfolio_sharpe}
+
+请给出：
+1. 组合整体评价
+2. 配置优化建议
+3. 风险分散度评估
+
+请以JSON格式输出结果，格式如下：
+{{
+    "overall_assessment": "组合整体评价",
+    "optimization_suggestions": "配置优化建议",
+    "diversification": "风险分散度评估"
+}}
+"""
+
+    RISK_ASSESSMENT = """
+你是一位风险管理专家。请对以下基金进行深度风险评估。
+
+基金：{fund_name}（{fund_code}）
+
+风险指标：
+- 最大回撤：{max_drawdown}%
+- 波动率：{volatility}%
+- 下行标准差：{downside_deviation}%
+- 索提诺比率：{sortino_ratio}
+- Beta系数：{beta}
+
+历史风险事件：
+{risk_events}
+
+请给出：
+1. 风险等级（低/中/高/极高）
+2. 主要风险因素分析
+3. 风险预警（如有）
+4. 风险控制建议
+{detail_section}
+
+请以JSON格式输出结果，格式如下：
+{{
+    "risk_level": "风险等级",
+    "main_risks": "主要风险因素",
+    "warnings": "风险预警",
+    "control_suggestions": "风险控制建议"
+}}
+"""
+
+    @staticmethod
+    def format_summary_prompt(data: dict[str, Any]) -> str:
+        """格式化基金摘要提示词"""
+        return PromptTemplates.FUND_SUMMARY.format(**data)
+
+    @staticmethod
+    def format_compare_prompt(funds_data: str) -> str:
+        """格式化基金对比提示词"""
+        return PromptTemplates.FUND_COMPARE.format(funds_data=funds_data)
+
+    @staticmethod
+    def format_risk_prompt(data: dict[str, Any]) -> str:
+        """格式化风险分析提示词"""
+        return PromptTemplates.RISK_ANALYSIS.format(**data)
+
+    @staticmethod
+    def format_investment_advice_prompt(fund_data: dict[str, Any], risk_profile: str) -> str:
+        """格式化投资建议提示词"""
+        return PromptTemplates.INVESTMENT_ADVICE.format(
+            fund_name=fund_data.get("name", ""),
+            fund_code=fund_data.get("code", ""),
+            fund_type=fund_data.get("type", ""),
+            cagr=fund_data.get("cagr", 0),
+            sharpe=fund_data.get("sharpe", 0),
+            max_drawdown=fund_data.get("max_drawdown", 0),
+            risk_profile=risk_profile,
+        )
+
+    @staticmethod
+    def format_market_insight_prompt(
+        fund_data: dict[str, Any], market_context: str | None = None
+    ) -> str:
+        """格式化市场解读提示词"""
+        return PromptTemplates.MARKET_INSIGHT.format(
+            fund_name=fund_data.get("name", ""),
+            fund_code=fund_data.get("code", ""),
+            recent_return=fund_data.get("recent_return", 0),
+            rank_in_category=fund_data.get("rank_in_category", "未知"),
+            market_context=market_context or "当前市场环境正常",
+        )
+
+    @staticmethod
+    def format_portfolio_review_prompt(portfolio_data: dict[str, Any]) -> str:
+        """格式化组合分析提示词"""
+        funds = portfolio_data.get("funds", [])
+        weights = portfolio_data.get("weights", [])
+
+        portfolio_config = ""
+        for i, fund in enumerate(funds):
+            weight = weights[i] if i < len(weights) else 0
+            portfolio_config += f"- {fund.get('code', '')}: {weight * 100:.1f}%\n"
+
+        return PromptTemplates.PORTFOLIO_REVIEW.format(
+            portfolio_config=portfolio_config,
+            expected_return=portfolio_data.get("expected_return", 0),
+            expected_volatility=portfolio_data.get("expected_volatility", 0),
+            portfolio_sharpe=portfolio_data.get("portfolio_sharpe", 0),
+        )
+
+    @staticmethod
+    def format_risk_assessment_prompt(fund_data: dict[str, Any], detailed: bool = False) -> str:
+        """格式化风险评估提示词"""
+        detail_section = ""
+        if detailed:
+            detail_section = """
+5. 详细风险分析报告
+6. 历史风险事件回顾
+7. 压力测试结果
+"""
+
+        return PromptTemplates.RISK_ASSESSMENT.format(
+            fund_name=fund_data.get("name", ""),
+            fund_code=fund_data.get("code", ""),
+            max_drawdown=fund_data.get("max_drawdown", 0),
+            volatility=fund_data.get("volatility", 0),
+            downside_deviation=fund_data.get("downside_deviation", 0),
+            sortino_ratio=fund_data.get("sortino_ratio", 0),
+            beta=fund_data.get("beta", 0),
+            risk_events=fund_data.get("risk_events", "无重大风险事件"),
+            detail_section=detail_section,
+        )