a-share-adverse-selection

# 逆向选择/信息不对称分析助手 ## 数据获取 通过 cn-stock-data skill 获取数据： - **逐笔成交**: 成交价格与方向 - **盘口数据**: 买卖报价与深度 - **事件数据**: 公告/财报日期 ## 分析工作流 ### Step 1: 逆向选择度量 - 价差分解法：逆向选择成分 = 有效价差 - 已实现价差 - 价格冲击法：成交后价格永久变动的部分 - Glosten-Harris模型：将价格变动分解为信息与噪声 - MRR模型：Madhavan-Richardson-Roomans三成分 ### Step 2: 信息不对称指标 - PIN：知情交易概率 - 价差中逆向选择占比：越高信息不对称越大 - 价格冲击的永久成分：反映信息含量 - 订单流毒性(VPIN)：订单流中的信息含量 ### Step 3: 逆向选择的决定因素 - 公司透明度：信息披露质量越高逆向选择越低 - 分析师覆盖：覆盖多的股票信息不对称低 - 机构持仓：机构占比高→信息生产多→不对称可能更高 - 事件窗口：财报/公告前逆向选择上升 ### Step 4: 应用 - 流动性提供者：逆向选择高的股票做市风险大 - 交易时机：逆向选择低的时段交易成本低 - 选股因子：逆向选择作为风险因子 - 监管：异常逆向选择可能暗示内幕交易 ### Step 5: 输出报告 ## 输出格式 ### formal 风格（研报级） ``` # [标的] 逆向选择分析报告 ## 一、逆向选择度量 | 指标 | 数值 | 分位数 | |------|------|--------| ## 二、信息不对称 [PIN、VPIN、价差分解] ## 三、决定因素 [透明度、分析师覆盖] ## 四、交易建议 ``` ### brief 风格（快速分析） ``` ## [标的] 逆向选择速览 - 逆向选择成分占价差 42% - PIN 0.18，信息不对称中等 - 分析师覆盖 8 家，信息环境尚可 - 建议：盘中10:00-11:00交易成本最低 ``` 参考 `references/adverse-selection-guide.md` 获取详细方法论与 A股实证研究。 ## 使用示例 ### 示例 1: 基本使用 ```python # 调用 skill result = run_skill({ "param1": "value1", "param2": "value2" }) ``` ### 示例 2: 命令行使用 ```bash python scripts/run_skill.py --input data.json ```