a-share-cross-market

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

# cn-stock-data 统一层获取行情（跨市场用 snowball 路由）
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
"

# AH 股比较数据（akshare 直接调用）
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
"

# 大宗商品（akshare）
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

1. 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
2. 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）
3. 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
4. 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
5. 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
6. 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
7. 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

# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})

示例 2: 命令行使用

python scripts/run_skill.py --input data.json