# Fund Style Drift Detection

> 当用户需要识别基金产品、投资组合或基金经理是否发生风格漂移时使用本技能。 适用于公募基金、私募资管组合、基金中基金子基金、策略产品的风格分析场景。 当任务涉及投资风格画像、风格稳定性评估、实际持仓与产品定位偏离、历史滚动风格变化、 风险暴露变化、行业集中度变化、市值风格切换、成长/价值风格切换、因子暴露漂移、 风格漂移预警、风格归因说明、投研复盘、尽调答疑时优先触发。 输出应坚持审慎、可解释、可复核，明确区分已知事实、推断结论与待补充信息。

- Skill: `aifinlab/fund-style-drift-detection` (Agent Skill, multi-file: 9 files)
- Install (CLI): `npx skillmds@latest add aifinlab/fund-style-drift-detection`
- Raw SKILL.md: https://api.skillmd.com/api/skills/aifinlab/fund-style-drift-detection/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: aifinlab (https://skillmd.com/u/aifinlab)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/aifinlab/fund-style-drift-detection

---


# 技能说明

本技能用于支持基金投研分析场景中的风格漂移识别工作，帮助用户对基金或组合的投资风格是否偏离既定定位进行结构化判断，并形成可复核的分析结论、风险提示和后续跟踪建议。

本技能重点解决以下问题：
- 当前产品的实际风格与既定产品定位是否一致。
- 产品风格在不同时间窗口下是否发生了显著变化。
- 风格变化是短期战术调整，还是持续性漂移。
- 风格漂移的来源主要来自行业、主题、市值、成长价值、因子暴露还是仓位结构变化。
- 风格漂移可能带来的组合风险、沟通风险和产品适配风险是什么。

# 适用范围

适用于以下场景：
- 公募主动权益基金风格分析。
- 私募证券基金策略风格稳定性评估。
- 组合产品、专户或投顾组合的风格一致性核查。
- 基金经理变更前后的风格比较。
- 产品路演、尽调、投委会、投后复盘中的风格解释。

# 不适用范围

以下情况不应直接给出强结论，应提示限制：
- 缺少足够的持仓、净值、基准、风格标签或历史窗口数据。
- 样本期过短，无法支撑稳定风格判断。
- 产品本身属于多策略、绝对收益、择时轮动或策略授权范围内允许大幅切换的产品。
- 用户要求对未来收益、排名或必然表现做确定性预测。

# 输入要求

优先输入包括但不限于：
- 产品基础信息：基金名称、代码、产品定位、投资范围、比较基准、合同约束。
- 历史持仓：行业分布、个股持仓、市值分布、换手率、仓位水平。
- 历史业绩：净值序列、收益率、回撤、相对基准表现。
- 风格特征：成长/价值、大小盘、质量、波动、红利、动量等因子暴露。
- 时间维度：近1月、近3月、近6月、近1年及滚动窗口。
- 外部上下文：基金经理变更、市场风格切换、产品定位调整说明。

当输入不完整时，应先列出“缺失信息清单”，再基于现有信息给出谨慎的阶段性判断。

# 核心分析框架

## 一、先建立目标风格画像

先明确“产品本来应该是什么风格”，可从以下来源建立基准画像：
- 基金合同与招募说明书中的投资目标与策略描述。
- 产品名称、宣传材料、路演口径中的风格定位。
- 比较基准和业绩比较对象。
- 历史较长周期内较稳定的持仓与收益特征。

## 二、再识别实际风格画像

围绕以下维度构建当前或各阶段的实际风格：
- 市值风格：大盘、中盘、小盘暴露。
- 成长价值风格：成长、均衡、价值偏向。
- 行业风格：科技、消费、周期、金融、医药、制造等配置重心。
- 因子风格：质量、动量、低波、红利、盈利能力、估值敏感度。
- 交易风格：换手率、持仓集中度、主题轮动特征。
- 仓位风格：高仓位、灵活仓位、防御仓位。

## 三、比较目标风格与实际风格

应从以下角度比较：
- 是否出现持续偏离，而非单点偏离。
- 偏离是否跨多个维度同时发生。
- 偏离是否已超出产品风格容忍区间。
- 偏离是否能被市场环境或临时事件合理解释。

## 四、形成风格漂移判断

判断结果建议分级：
- 未发现明显漂移。
- 存在轻度漂移迹象。
- 存在中度漂移，需持续跟踪。
- 存在显著漂移，需重点提示。

# 工作流程

1. 明确分析对象、分析目的和时间窗口。
2. 建立产品目标风格画像。
3. 整理实际持仓、净值和风格暴露数据。
4. 对关键时间窗口进行横向和纵向比较。
5. 识别漂移类型、漂移强度和主要驱动因素。
6. 输出结构化分析结论、证据链和风险提示。
7. 对证据不足之处列出待补充项。

# 漂移类型清单

可识别但不限于以下漂移类型：
- 市值风格漂移：从大盘转向中小盘，或相反。
- 成长价值漂移：从成长转向价值，或相反。
- 行业配置漂移：长期重仓行业发生明显迁移。
- 主题暴露漂移：从分散配置转向高主题集中。
- 因子暴露漂移：质量、动量、低波、红利等暴露方向变化。
- 仓位风格漂移：长期仓位水平显著抬升或下降。
- 集中度漂移：前十大持仓或行业集中度明显变化。
- 经理风格漂移：基金经理变更后投资偏好显著改变。

# 输出要求

输出时建议采用以下结构：
- 分析对象与范围。
- 结论摘要。
- 目标风格画像。
- 实际风格变化情况。
- 风格漂移判断与等级。
- 主要证据链。
- 可能原因分析。
- 风险提示。
- 后续跟踪建议。
- 待补充信息。

# 输出约束

- 不得将阶段性观察表述为绝对结论。
- 不得在证据不足时断言“风格已经完全改变”。
- 不得直接给出投资建议、收益承诺或确定性预测。
- 对所有推断性内容，应注明判断依据和不确定性。
- 当数据不足时，应明确标记“初步判断”或“待进一步核验”。

# 质量检查清单

在输出前检查：
- 是否说明了分析窗口和样本限制。
- 是否区分目标风格与实际风格。
- 是否给出了证据而非仅给标签。
- 是否将短期波动与长期漂移区分开。
- 是否对异常结论给出合理解释路径。
- 是否保留了待补充信息和风险边界。

# 可读取资源

需要更细致的漂移维度说明时，读取 `references/style_dimensions.md`。
需要参考红旗信号时，读取 `references/drift_red_flags.md`。
需要输出统一格式时，读取 `references/output_schema.md`。
需要直接生成报告时，使用 `assets/templates/style_drift_report_template.md`。
需要生成跟踪清单时，使用 `assets/templates/followup_checklist_template.md`。

# 可调用脚本

- `scripts/style_exposure_summary.py`：汇总不同时点或不同窗口的风格暴露。
- `scripts/drift_signal_scoring.py`：根据输入规则给出漂移信号评分。
- `scripts/render_style_drift_report.py`：将结构化结果渲染为中文 Markdown 报告。