a-share-anomaly-detection

# A股量价异常检测/异动监控 ## 数据源 ```bash SCRIPTS="$SKILLS_ROOT/cn-stock-data/scripts" python "$SCRIPTS/cn_stock_data.py" kline --code [CODE] --freq daily --start [日期] python "$SCRIPTS/cn_stock_data.py" quote --code [CODE] python "$SCRIPTS/cn_stock_data.py" finance --code [CODE] ``` ## Workflow ### Step 1: 获取K线数据 ### Step 2: 统计异常检测 - 收益率Z-score = (r - μ) / σ（|Z| > 2 为异常） - 成交量Z-score（|Z| > 2 为异常放量/缩量） - 振幅异常：日振幅 > 历史均值 + 2σ ### Step 3: 模式异常检测 - 量价背离：价涨量缩 或 价跌量增 - 尾盘异动：最后30分钟涨跌 > 日涨跌的50% - 连续异常：连续3日同方向异常 ### Step 4: 异常归因 关联近期公告/新闻/资金流，尝试解释异常原因 ### Step 5: 输出 | 维度 | formal | brief | |------|--------|-------| | 异常信号 | 完整异常事件列表 | 最新异常 | | 统计分析 | Z-score+分布 | 异常等级 | | 归因 | 可能原因分析 | 一句话 | 默认风格：brief。 ## 关键规则 1. 异常不等于机会——可能是风险信号 2. 统计异常需结合基本面/消息面综合判断 3. A股信息泄露常见——异常可能先于公告 4. 单日异常可能是噪音——连续异常更值得关注 5. 成交量异常通常比价格异常更有预测价值 ## 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 ```