| name | a-share-cross-market |
| description | 跨市场联动分析（A股/港股/美股/大宗商品）。当用户说"跨市场"、"联动"、"A股和美股"、"港股联动"、"AH溢价"、"中概股"、"美股跌了A股会跌吗"、"原油对A股影响"、"汇率影响"、"cross market"、"人民币贬值利好什么"、"跨市场联动"、"全球市场"时触发。MUST USE when user asks about cross-market correlation, AH premium, how US/HK markets affect A-shares, or commodity/FX impact on Chinese stocks. 分析A股与全球主要市场（美股/港股/商品/汇率）的联动关系、AH溢价、中概股映射、大宗商品传导。支持研报风格（formal）和快速参考风格（brief）。 |
数据源
python -c "
import subprocess, json
# A股主要指数（通过 cn-stock-data → efinance 路由）
# 上证指数 000001, 沪深300 000300, 创业板指 399006
# 用 cn-stock-data skill 的 quote/kline 接口
# 港股（snowball 路由，HK 前缀）
# 恒生指数 HK00001, 恒生科技 HKHSTECH, H股指数 HK00011
# 美股（snowball 路由，US 前缀）
# 标普500 US.SPX, 纳斯达克 US.IXIC, 道琼斯 US.DJI
# 需要 pysnowball token 才能获取港美股数据
import pysnowball as ball
# ball.set_token('your_token')
# ball.quotec('SH000001,HKHSI,.DJI,.IXIC,.INX') # 跨市场报价
# ball.kline('SH000001', period='day', count=-120) # K线数据
"
python -c "
import akshare as ak
# AH 股比价
df = ak.stock_a_ah_comparison_em()
print(df.head(20).to_string())
# 返回字段：代码/名称/A股价格/H股价格/比价(A/H)/溢价率
"
python -c "
import akshare as ak
# 国际原油
df = ak.futures_foreign_hist(symbol='CL') # WTI原油
# 伦敦金
df = ak.futures_foreign_hist(symbol='GC') # COMEX黄金
# LME铜
df = ak.futures_foreign_hist(symbol='HG') # COMEX铜
print(df.tail(5).to_string())
"
补充 web 搜索：美股收盘情况、大宗商品实时价格、美元指数、离岸人民币汇率、美联储议息会议纪要、全球央行动态。
Workflow (5 steps):
Step 1: 多市场数据获取
根据用户需求确定分析范围：
- 全面联动："跨市场分析" → A股指数 + 美股三大指数 + 恒指 + 商品 + 汇率
- 双市场对比："A股和美股联动" → 聚焦 A 股与美股
- AH 溢价："AH溢价分析" → 聚焦 A+H 双上市公司
- 商品传导："原油对A股影响" → 聚焦特定商品 → A股传导链
- 汇率影响："人民币贬值影响" → 聚焦汇率 → 行业影响
获取数据（近 60-120 个交易日）：
| 市场 | 标的 | 数据源 |
|---|
| A股 | 上证/沪深300/创业板指 | cn-stock-data (efinance路由) |
| 美股 | S&P500/纳斯达克/道琼斯 | cn-stock-data (snowball路由) |
| 港股 | 恒生指数/恒生科技/H股指数 | cn-stock-data (snowball路由) |
| 商品 | 原油/黄金/铜/铁矿石 | akshare futures |
| 汇率 | 美元指数/离岸人民币 | web搜索 |
Step 2: 相关性与领先滞后分析
相关系数计算：
- 取日收益率序列，计算 Pearson 相关系数（近 60 日/120 日）
- 相关系数解读：|r|>0.7 强相关, 0.4-0.7 中等, <0.4 弱相关
领先滞后关系：
- 计算滞后 1-5 日的互相关系数
- 判断谁领先谁：隔夜美股 → 次日 A 股开盘是最常见的领先关系
- 注意：领先关系会随市场阶段变化，非固定规律
联动强度变化：
- 对比近期（20日）vs 中期（60日）相关系数，判断联动是否在加强/减弱
- 高联动阶段通常对应：全球风险事件、美联储政策转向、流动性冲击
Step 3: AH 溢价分析（如涉及）
通过 ak.stock_a_ah_comparison_em() 获取 AH 股数据：
- 整体溢价水平：恒生 AH 溢价指数（HSAHP）历史区间 100-160，均值约 130
- 个股溢价排序：找出溢价最高/最低的股票
- 溢价变动趋势：近期溢价是扩大还是收窄
- 套利信号：极端溢价个股可能存在价值回归机会（但需考虑汇率/流动性/制度差异）
| 溢价区间 | 市场状态 | 含义 |
|---|
| <110 | 罕见低溢价 | A股相对低估或港股相对高估 |
| 110-130 | 正常区间 | 反映制度差异溢价 |
| 130-150 | 偏高 | A股情绪偏热或港股承压 |
| >150 | 极端高溢价 | A股显著高估，关注回归风险 |
Step 4: 传导机制分析
资金流传导：
- 北向资金（沪深港通）→ A股直接影响
- 全球流动性（美联储政策）→ 新兴市场资金流向 → A股
- 美元强弱 → 人民币汇率 → 北向资金意愿
情绪传导：
- 隔夜美股大涨/大跌 → A股开盘跳空
- VIX 恐慌指数飙升 → 全球risk-off → A股承压
- 中概股异动 → A股对标公司联动
基本面传导：
- 原油上涨 → 化工/航空成本上升，油服/煤化工受益
- 铜价上涨 → 有色板块受益，新能源成本承压
- 美国经济衰退 → 中国出口承压 → 出口链公司
- 人民币贬值 → 出口企业受益，航空/造纸（美元债）承压
政策传导：
- 美联储加息/降息 → 中美利差 → 资金流向
- 美国关税政策 → 贸易摩擦 → 相关行业
- 全球央行协同/分化 → 汇率波动 → 跨境资金
Step 5: 输出
风格说明
| 维度 | formal（机构跨市场研究） | brief（快速跨市场参考） |
|---|
| 篇幅 | 4-8 页 | 1-2 页 |
| 市场覆盖 | A股+美股+港股+商品+汇率全覆盖 | 聚焦用户关心的2-3个市场 |
| 相关性分析 | 完整相关系数矩阵+滞后分析 | 定性描述联动方向和强度 |
| AH溢价 | 完整AH溢价表+历史对比 | 整体溢价水平+异常个股 |
| 传导机制 | 详细多路径分析 | 核心传导链1-2条 |
| 历史对比 | 类似历史情景回顾 | 不需要 |
| 免责声明 | 需要 | 不需要 |
关键规则
- 相关不等于因果：两个市场同涨同跌不代表存在因果关系，可能受同一因素驱动
- 联动强度因阶段而异：A股受外盘影响程度在不同市场阶段差异显著（牛市中后期更独立，恐慌阶段高度联动）
- AH溢价有制度基础：AH溢价不会归零，因为A/H两地存在投资者结构、流动性、交易制度的系统性差异
- 汇率影响因行业而异：人民币贬值对出口型企业利好，对进口依赖型/美元债较多企业利空，不可一概而论
- 时差与交易时间：美股收盘→A股开盘有时差，需注意盘后/盘前信息；港股与A股交易时间有重叠
- 数据来源标注：跨市场数据来源多样，务必标注每项数据的来源和时间点
- 与其他 skill 联动：跨市场分析结论可指导 a-share-sector（受影响行业）、a-share-northbound（北向资金分析）、a-share-macro（宏观政策背景）
使用示例
示例 1: 基本使用
result = run_skill({
"param1": "value1",
"param2": "value2"
})
示例 2: 命令行使用
python scripts/run_skill.py --input data.json
