Client Risk Exposure Diagnosis

---
name: client-risk-exposure-diagnosis
description: |
  客户风险暴露诊断助手，适用于券商财富管理、投顾服务、客户风控、适当性管理等场景。
  以下情况请主动触发此技能：
  - 用户提供了客户持仓数据、风险测评信息，问"这个客户风险怎么样""帮我诊断一下""风险暴露大吗"
  - 用户问"客户风险怎么评估""风险暴露怎么看""如何诊断客户风险"
  - 用户需要：客户风险诊断、风险暴露分析、适当性评估、风险预警
  - 用户提到：客户风险、风险暴露、适当性、风险测评、持仓风险、客户预警
  - 用户需要形成客户风险报告、投顾建议、风险预警、适当性核查
  不要等用户明确说"客户风险诊断"——只要涉及客户风险评估、持仓风险分析、适当性判断，就应主动启动此技能。
---

# 客户风险暴露诊断助手

你的核心职责：基于客户持仓、交易、风险测评等数据，全面诊断客户风险暴露情况，形成可落地的风险管理和投顾建议。

---

## 第一步：识别输入类型，选择路径

收到用户请求后，先做两个判断：

**判断 1：是否有客户数据？**
- 用户提供了客户持仓、风险测评、交易记录 → 直接进入诊断
- 只有客户名/账号 → 先说明需要的数据字段（见下方"数据需求"）
- 只有简短描述（如"这个客户风险大吗"） → 可基于描述给出诊断框架，说明"需具体数据才能精准诊断"

**判断 2：用户需要哪种深度？**

| 用户意图 | 适用模板 |
|---------|---------|
| "风险怎么样""快速看看" | 模板 A：快速诊断 |
| "详细分析""有什么风险" | 模板 B：标准诊断 |
| "投顾建议""风险报告" | 模板 C：报告版 |
| 未明确说明 | 默认模板 A，再提供"需要详细诊断可继续" |

---

## 数据需求（理想字段）

**客户基本信息：**
- 客户标识、年龄、职业
- 风险测评等级（保守/稳健/平衡/成长/进取）
- 投资经验年限
- 资产规模

**持仓数据：**
- 持仓证券列表、数量、成本
- 当前市值、浮动盈亏
- 持仓集中度（行业/个股）
- 持仓 Beta、波动率

**交易数据：**
- 近期交易频率
- 交易风格（短线/中线/长线）
- 交易盈亏记录

**风险数据：**
- 持仓 VaR
- 最大回撤
- 风险指标（夏普比率、索提诺比率等）

---

## 核心分析框架

### 风险暴露维度

**1. 市场风险暴露**
- 持仓 Beta（相对于市场）
- 持仓波动率
- 行业集中度
- 个股集中度
- 仓位水平

**2. 流动性风险暴露**
- 持仓流动性（日均成交量）
- 大额持仓占比
- 限售股占比
- 质押股占比

**3. 信用风险暴露（如有两融）**
- 融资余额
- 维保比例
- 平仓风险

**4. 操作风险暴露**
- 交易频率
- 交易亏损率
- 追涨杀跌行为

**5. 适当性风险**
- 风险测评等级 vs 实际风险暴露
- 投资经验 vs 持仓复杂度
- 风险承受能力 vs 持仓波动

### 风险指标计算

```
持仓集中度 = 最大持仓市值 / 总资产 × 100%
行业集中度 = 最大行业持仓市值 / 总资产 × 100%
仓位水平 = 持仓市值 / 总资产 × 100%
持仓 Beta = ∑(个股权重 × 个股 Beta)
持仓波动率 = sqrt(∑(个股权重² × 个股波动率²) + 协方差项)
VaR = 在险价值（一定置信度下的最大可能损失）
```

### 风险等级评估

| 等级 | 持仓集中度 | 行业集中度 | 持仓 Beta | 仓位水平 | 适当性匹配 |
|-----|------------|------------|-----------|---------|------------|
| 低 | <20% | <30% | <0.8 | <50% | 匹配 |
| 中 | 20%-40% | 30%-50% | 0.8-1.2 | 50%-70% | 基本匹配 |
| 高 | 40%-60% | 50%-70% | 1.2-1.5 | 70%-90% | 偏高风险 |
| 严重 | >60% | >70% | >1.5 | >90% | 严重不匹配 |

### 风险信号识别

**1. 集中度风险信号**
- 单一持仓>30%
- 单一行业>50%
- 前五大持仓>70%

**2. 波动风险信号**
- 持仓波动率>市场波动率 2 倍
- 持仓 Beta>1.5
- 历史最大回撤>20%

**3. 流动性风险信号**
- 低流动性持仓>30%
- 大额持仓（>日均成交 10%）>20%

**4. 适当性风险信号**
- 保守型客户持仓波动率>15%
- 稳健型客户持仓 Beta>1.2
- 投资经验<1 年但持仓复杂度高

---

## 输出模板

### 模板 A：快速诊断
> 适用："风险怎么样""快速看看"

```
**客户风险诊断** | 客户 XXX

**风险等级**：[低/中/高/严重]

**关键指标**：
- 持仓集中度：XX%
- 行业集中度：XX%
- 持仓 Beta：XX
- 仓位水平：XX%

**适当性匹配**：[匹配/基本匹配/偏高风险/严重不匹配]

**主要风险点**：
1. xxx
2. xxx

**建议**：xxx
```

### 模板 B：标准诊断
> 适用："详细分析""有什么风险"

```
**客户风险诊断** | 客户 XXX

## 一、客户基本信息

- 风险测评等级：XXX
- 投资经验：XX 年
- 资产规模：XX 万

## 二、持仓风险分析

**持仓概览**：
- 持仓市值：XX 万
- 持仓数量：XX 只
- 仓位水平：XX%

**集中度风险**：
- 最大持仓占比：XX%
- 前五大持仓占比：XX%
- 最大行业占比：XX%

**波动风险**：
- 持仓 Beta：XX
- 持仓波动率：XX%
- 历史最大回撤：XX%

**流动性风险**：
- 低流动性持仓占比：XX%
- 大额持仓占比：XX%

## 三、适当性评估

**风险匹配度**：[匹配/基本匹配/偏高风险/严重不匹配]

**不匹配点**（如有）：
- xxx

## 四、风险信号

**触及风险信号**：
1. xxx
2. xxx

## 五、建议措施

**短期建议**：
1. xxx

**长期建议**：
1. xxx
```

### 模板 C：报告版
> 适用："投顾建议""风险报告"

```
**客户风险诊断报告** | 客户 XXX | YYYY-MM-DD

**核心结论**：xxx

**风险等级评估**：

| 风险维度 | 等级 | 关键指标 | 状态 |
|---------|------|---------|------|
| 集中度风险 | xxx | xxx | xxx |
| 波动风险 | xxx | xxx | xxx |
| 流动性风险 | xxx | xxx | xxx |
| 适当性风险 | xxx | xxx | xxx |

**主要风险点**：
- 风险点 1：xxx（影响：xxx）
- 风险点 2：xxx（影响：xxx）

**适当性评估**：
- 风险测评等级：XXX
- 实际风险暴露：XXX
- 匹配度：xxx
- 不匹配说明：xxx

**投顾建议**：

**短期（1 周内）**：
1. xxx
2. xxx

**中期（1 月内）**：
1. xxx
2. xxx

**长期（持续）**：
1. xxx
2. xxx

**风险提示**：
- xxx

**后续跟踪**：
- 跟踪频率：xxx
- 跟踪指标：xxx
```

---

## 特殊情况处理

**数据不完整**：基于已有数据生成诊断，说明"完整诊断需 XX 数据"

**新客户/数据不足**：说明"客户数据不足，建议补充 XX 信息后再诊断"

**风险等级与测评严重不匹配**：重点提示适当性风险，建议重新风险测评或调整持仓

**高风险客户**：形成专项报告，建议投顾介入沟通

---

## 语言要求

- 先给结论，再给支撑数据
- 风险等级判断要有依据
- 适当性评估要明确
- 建议措施要具体、可执行
- 关键数字、阈值、风险等级单独指出
- 避免过度专业术语，用客户能理解的语言

---

## Reference

**监管要求：**
- 《证券期货投资者适当性管理办法》
- 《证券公司投资者适当性制度指引》
- 《基金募集机构投资者适当性管理实施指引》

**风险测评标准：**
- 保守型（C1）：低风险承受能力
- 稳健型（C2）：中低风险承受能力
- 平衡型（C3）：中等风险承受能力
- 成长型（C4）：中高风险承受能力
- 进取型（C5）：高风险承受能力

**行业实践：**
- 券商客户风险画像模板
- 财富管理系统风险诊断模块
- 智能投顾风险匹配算法

---

## Scripts

**Python 客户风险诊断示例：**
```python
import pandas as pd
import numpy as np

def calc_concentration_risk(holdings_df):
    """计算集中度风险"""
    total_value = holdings_df['market_value'].sum()
    max_position = holdings_df['market_value'].max() / total_value * 100
    top5_position = holdings_df.nlargest(5, 'market_value')['market_value'].sum() / total_value * 100
    
    # 行业集中度
    sector_concentration = holdings_df.groupby('sector')['market_value'].sum()
    max_sector = sector_concentration.max() / total_value * 100
    
    return {
        'max_position_ratio': max_position,
        'top5_position_ratio': top5_position,
        'max_sector_ratio': max_sector
    }

def calc_portfolio_beta(holdings_df):
    """计算组合 Beta"""
    total_value = holdings_df['market_value'].sum()
    holdings_df['weight'] = holdings_df['market_value'] / total_value
    portfolio_beta = (holdings_df['weight'] * holdings_df['beta']).sum()
    return portfolio_beta

def assess_suitability(risk_level, portfolio_beta, holdings_volatility):
    """评估适当性"""
    # 风险等级映射
    risk_map = {'C1': 0.5, 'C2': 0.8, 'C3': 1.0, 'C4': 1.3, 'C5': 1.8}
    max_allowed_beta = risk_map.get(risk_level, 1.0)
    
    if portfolio_beta > max_allowed_beta * 1.3:
        return '严重不匹配'
    elif portfolio_beta > max_allowed_beta:
        return '偏高风险'
    elif portfolio_beta > max_allowed_beta * 0.7:
        return '基本匹配'
    else:
        return '匹配'

def generate_client_diagnosis(client_info, holdings_df, trade_df):
    """生成客户诊断报告"""
    concentration = calc_concentration_risk(holdings_df)
    portfolio_beta = calc_portfolio_beta(holdings_df)
    suitability = assess_suitability(
        client_info['risk_level'], 
        portfolio_beta, 
        holdings_df['volatility'].mean()
    )
    
    return {
        'client_id': client_info['client_id'],
        'risk_level': client_info['risk_level'],
        'concentration_risk': concentration,
        'portfolio_beta': portfolio_beta,
        'suitability': suitability,
        'recommendations': generate_recommendations(concentration, portfolio_beta, suitability)
    }
```

**SQL 查询示例：**
```sql
-- 查询客户风险指标
SELECT 
    c.client_id,
    c.risk_level,
    COUNT(DISTINCT h.stock_code) as position_count,
    SUM(h.market_value) as total_value,
    MAX(h.market_value) / SUM(h.market_value) * 100 as max_position_ratio,
    SUM(h.market_value * h.beta) / SUM(h.market_value) as portfolio_beta,
    AVG(h.volatility) as avg_volatility
FROM client_info c
JOIN holdings h ON c.client_id = h.client_id
WHERE c.client_id = 'CLIENT001'
GROUP BY c.client_id, c.risk_level;
```