a-share-drawdown-analysis

# A股回撤分析/最大回撤量化 ## 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 获取足够长的历史数据（建议 2 年以上）。 ### Step 2: 计算回撤序列 - 滚动最高价 = max(close[:t]) - 回撤 = (close - 滚动最高价) / 滚动最高价 × 100% - 最大回撤 = min(回撤序列) ### Step 3: 回撤事件分析 - 识别所有回撤 > 10% 的事件 - 每次回撤的起点/终点/最低点/持续天数/恢复天数 - 回撤期间成交量变化 ### Step 4: 回撤统计 - 平均回撤深度/持续时间/恢复时间 - 回撤频率（年均几次 > 5%/10%/20%） - 与大盘回撤的对比（β调整后回撤） ### Step 5: 输出 | 维度 | formal | brief | |------|--------|-------| | 回撤序列 | 完整回撤图表+事件表 | 最大回撤值 | | 统计分析 | 回撤分布+恢复时间 | 关键统计 | | 风险评估 | 压力测试情景 | 当前回撤状态 | 默认风格：brief。 ## 关键规则 1. 最大回撤是衡量风险的核心指标之一 2. 恢复时间往往比回撤深度更影响投资者体验 3. A 股历史上大盘级别回撤：2008(-72%)、2015(-49%)、2018(-31%) 4. 个股回撤通常远大于指数回撤 5. 回撤期间的成交量放大通常意味着恐慌性抛售 ## 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 ```