a-share-correlation

# A股相关性分析 (Correlation & Co-movement Analysis) ## 数据源 通过 cn-stock-data skill 获取数据： - `kline` 路由：多标的历史日K线（至少 1 年，推荐 2-3 年） - `quote` 路由：实时行情、所属行业 计算工具：Python numpy/pandas - `pandas.DataFrame.corr()` 计算皮尔逊相关系数矩阵 - `numpy` 做回归计算 Beta - `pandas.DataFrame.rolling().corr()` 计算滚动相关性 ## Workflow ### Step 1: 获取历史K线（多标的） - 解析用户输入，识别 2-10 个标的（个股代码/指数代码/行业ETF） - 通过 cn-stock-data 获取各标的日K线，时间跨度至少 1 年（默认 2 年） - 同时获取大盘基准（沪深300 / 上证指数）作为 Beta 计算基准 - 对齐交易日，剔除停牌/缺失日期，确保数据完整性 - 计算日收益率序列：`r_t = (close_t - close_{t-1}) / close_{t-1}` ### Step 2: 计算相关系数矩阵（Correlation Matrix） - 基于日收益率序列，计算皮尔逊相关系数矩阵 - 输出 N x N 矩阵表格，对角线为 1.0 - 标注相关性强度等级（参考 references/correlation-guide.md）： - |r| > 0.7：强相关（红色/深色标记） - 0.3 < |r| < 0.7：中等相关 - |r| < 0.3：弱相关（绿色/浅色标记） - r < 0：负相关（特别标注） - 找出最高/最低相关性配对，重点分析 ### Step 3: Beta 计算 - 对每个标的，以大盘指数（默认沪深300）为基准计算 Beta： - `Beta = Cov(r_stock, r_market) / Var(r_market)` - 解读 Beta 含义： - Beta > 1.2：高弹性，涨跌幅大于大盘 - 0.8 < Beta < 1.2：与大盘同步 - Beta < 0.8：防御型，波动小于大盘 - Beta < 0：反向标的（极少见，如对冲类） - 同时计算 R-squared（拟合优度），判断 Beta 的可靠性 ### Step 4: 滚动相关性分析（Rolling Correlation） - 计算 60 日滚动相关性（可自定义窗口期） - 分析相关性的时间变化趋势： - 相关性是否稳定？波动区间？ - 是否存在结构性变化（如某事件后相关性突增/骤降）？ - 近期相关性 vs 长期相关性的偏离度 - 用文字描述滚动相关性走势（如"近3个月相关性从0.3升至0.7"） ### Step 5: 输出分析结果 **formal 风格**： 1. 分析概览：标的列表、数据区间、样本量 2. 相关系数矩阵（热力图描述 + 数据表格） 3. 关键配对分析（最强正相关、最强负相关、最弱相关各 top3） 4. Beta 分析表（含 R-squared） 5. 滚动相关性趋势分析 6. 分散化建议：基于相关性矩阵，推荐低相关组合 7. 风险提示 **brief 风格**（默认）： 1. 相关系数矩阵表格 2. 一句话总结：关键联动关系 + Beta 特征 3. 分散化结论：哪些标的适合同时持有 4. 风险提示 ## 注意事项 - 相关性不稳定，会随市场环境变化，务必结合滚动相关性判断 - 极端行情（如股灾、熔断）下相关性趋向 1，分散化失效 - 相关不等于因果，不能仅凭高相关性推断业务联系 - 分散化需要真正低相关的资产，同行业/同概念股往往高度相关 - 停牌期间数据需剔除，否则会扭曲相关性计算 - 数据为历史统计结果，不构成投资建议 ## 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 ```