菜单
A股特征工程/因子合成。当用户说"特征工程"、"因子合成"、"feature engineering"、"特征构造"、"因子加工"、"特征变换"时触发。基于 cn-stock-data 获取数据，进行系统化特征工程与因子合成。支持 formal/brief 两种输出风格。
默认使用会先检查来源的 Prompt；你也可以切换为直接命令，或下载本地副本。
决定是否安装前，请先阅读 SKILL.md，以及 SkillsMP 当前展示的配套文件。
用 Codex 或 Claude 帮你安装 复制这段 Prompt，粘贴到 Codex、Claude 或其他助手里，让它检查 Skill 页面并帮你完成安装。
直接命令不会经过审查 Prompt；运行前请先检查来源。
npx skills add https://github.com/aifinlab/FinClaw --skill a-share-feature-engineering命令会保持在同一行。复制前请横向滚动并检查完整内容。
想先保存到本地？可下载 SkillsMP 当前能够提供的文件。
正在显示 SKILL.md
A股逆向选择/信息不对称分析。当用户说"逆向选择"、"adverse selection"、"信息不对称"、"知情交易者"、"逆向选择成本"、"信息劣势"时触发。基于 cn-stock-data 获取数据，度量逆向选择与信息不对称程度。支持 formal/brief 两种输出风格。
A股量价异常检测/异动监控。当用户说"异常检测"、"异动"、"anomaly"、"量价异常"、"异常波动"、"XX有异动"时触发。量化检测股价和成交量异常。支持formal和brief风格。
A股自相关/序列相关性/收益率自相关结构分析。当用户说"自相关"、"autocorrelation"、"序列相关"、"收益率预测性"、"动量还是反转"、"自相关系数"、"ACF"、"PACF"、"Ljung-Box"、"收益率是否可预测"、"随机游走检验"时触发。MUST USE when user asks about return autocorrelation, serial correlation tests, or whether a stock's returns are predictable. 量化分析收益率的自相关结构（ACF/PACF、Ljung-Box检验、随机游走检验）。支持formal和brief风格。
基于 SOC 职业分类
| name | a-share-feature-engineering |
| description | A股特征工程/因子合成。当用户说"特征工程"、"因子合成"、"feature engineering"、"特征构造"、"因子加工"、"特征变换"时触发。基于 cn-stock-data 获取数据，进行系统化特征工程与因子合成。支持 formal/brief 两种输出风格。 |
通过 cn-stock-data skill 获取数据：
# 特征工程报告
## 一、特征池概览
| 类别 | 数量 | 有效率 |
|------|------|--------|
## 二、Top特征
[特征名、IC、ICIR、覆盖率]
## 三、特征组合
[最终特征集、相关性矩阵]
## 四、建议
[特征优化方向]
## 特征工程速览
- 构造 200 个候选特征
- 有效特征 45 个 (IC>0.02)
- Top特征：20日动量IC=0.05
- 建议：加入行业中性化特征
参考 references/feature-engineering-guide.md 获取详细方法论与 A股实证研究。
# 调用 skill
result = run_skill({
"param1": "value1",
"param2": "value2"
})
python scripts/run_skill.py --input data.json