MCP 数据接口仓库

• • 构建FOF或MOM组合：快速筛选符合多重要求的优质主动基金池
• • 研究基金经理能力：验证其在TMT/消费等板块的长期选股α与风格择时稳定性
• • 主题投资落地：定位当前在光模块、AI算力等主题上暴露度高且持续性强的基金
• • 尽调与陪跑：对拟合作基金做持仓集中度、港股暴露、季报观点一致性等深度核查

当你需要从全市场数千只基金中高效识别符合复杂投资逻辑的候选池，或对某只基金开展超越基础业绩的归因与行为分析时。

橘子MCP · 基金特征库 — 中信建投证券 金工及基金研究团队 自研。40 个专业基金分析工具。

## 工具选择指南

**入口工具 — 先识别意图: 客户问'某一只' 还是 '某一类' 基金?**
- 🔍 **某一类 / 某些 / 能力强 / 规模大 / 业绩好 / 重仓 XX 主题/股票 的基金** → screen_funds_by_metrics (业绩/归因/规模/风格/行业/经理/拥挤度/集中度 等 700+ char_code) / screen_funds_by_theme (主题暴露) / screen_funds_by_stock (个股持仓). **永远先用 screen_* 拿候选池, 不要逐只 get_fund_card 看 200 只.**
- 📇 **已知 fund_code 的某一只基金** → get_fund_card (轻量身份卡, ~700 token, 内含 next_steps 路由 26 条)
- 🔎 **只有基金名 / 简称 / 经理名 模糊查询** → search_fund_by_name (含同份额提示)

**按场景选工具：**
- 季报观点 → get_fund_quarterly_view (基金经理每季写的市场分析/展望原文, 21Q1~至今)
- 多条件筛选基金 → screen_funds_by_metrics (指标/业绩/归因) + screen_funds_by_theme (主题) + screen_funds_by_stock (个股), 跨类用 combine_fund_lists 取交并差集
- 业绩分析 → get_fund_nav_series (净值) + compute_return_metrics (收益)
- 风险分析 → compute_risk_metrics (波动率/回撤) + analyze_drawdown (回撤事件)
- 对标分析 → compute_risk_adjusted_metrics (Alpha/Beta/Sharpe) + compute_capture_ratios (捕获率)
- 滚动指标 → compute_rolling_metrics (滚动收益/波动/Sharpe 等)
- 择时选股 → compute_timing_selection (T-M / H-M 模型) + compute_win_rate (胜率)
- 持仓分析 → get_fund_holdings (股票) + get_fund_bond_holdings (债券) + get_fund_asset_allocation
- 风格暴露 → get_fund_style_exposure (板块/行业配比) + get_fund_hk_exposure (港股风格)
- 行业配置 → get_fund_industry_detail (中信一/二/三级行业明细)
- 基金经理 → get_manager_competence (核心能力圈) + get_fund_manager_info + get_manager_products (全部产品)
- 换手率   → get_fund_turnover (换手率及百分位排名)
- 持有期收益 → compute_holding_return
- 纯债投资 → get_fund_bond_investment (久期/信用风格/券种配置)
- 持股热门度 → get_fund_stock_popularity (全部持股口径)
- 持股集中度 → get_fund_concentration (个股+行业, 预计算)
- 经理调研 → get_manager_research (调研因子)
- 转债投资 → get_fund_convertible_style (风格标签)
- 拥挤度   → get_fund_crowding (风格/板块/行业/个股四维度)
- 持有人结构 → get_fund_holder_structure
- 规模历史 → get_fund_size_history
- 业绩比较基准 → get_fund_benchmark
- **批量筛选 能力强 的基金** (行业配置/选股/择时 能力) → screen_funds_by_metrics(attribution__行业配置收益 / __个股选择收益 / __行业择时收益 ...), **不要**用 compute_classic_brinson 逐只算
- **单只基金多层归因** (industry/style/asset × single/2yr/3yr, 含板块+行业细分, A股+港股) → get_fund_attribution (读 predata.zxjt_multi_attribution_* 预算表, 快)
- 单只基金 30 行业 BHB 实时分解 (3 分量: 配置/选股/交互) → compute_classic_brinson_attribution (实时算, 一次一只)
- 批量算 alpha/beta/sharpe/IR (N 只基金) → batch_compute_metrics (≤200 只, 1 次)
- 市场数据 → get_index_series (指数行情) + get_index_constituents + get_stock_valuation + get_yield_curve
- 交易日历 → get_trading_calendar

**参数提示：**
- 基金代码支持纯数字('000001')或带后缀('000001.OF')
- 日期支持 YYYY-MM-DD 或 YYYYMMDD 格式
- period 参数支持 '1M'/'3M'/'6M'/'1Y'/'2Y'/'3Y'/'5Y' 快捷选择

## ⚠️ 大结果 truncate 处理 (screen_funds_by_* / combine_fund_lists)
当客户端 (CC/codex 等) 提示 `result exceeds maximum allowed tokens, output saved to .../tool-results/xxx.txt` 时:
1. **不要** 用 Read 工具 chunked 读那个文件 — JSON 没有合理 line 边界, chunked read 会反复读多次仍读不全。
2. **直接用 sandbox / run_python / repl** 一次性整段读:
   ```python
   import json, pandas as pd
   raw = open('xxx.txt', encoding='utf-8').read()
   payload = json.loads(json.loads(raw)['result'])  # 双层 json
   rows = payload['data'].get('details') or payload['data'].get('results')
   df = pd.DataFrame(rows)
   df.to_excel('output.xlsx', index=False)  # 或 df.head() / df.query(...) 等
   ```
3. response 顶层有 `_meta.kind=data` + `_meta.warning`, 看到就走沙箱, 不要在脑中 reason 或叙述行级数据。