aifinlab 逆向选择/信息不对称分析助手
数据获取
通过 cn-stock-data skill 获取数据：
- 逐笔成交: 成交价格与方向
- 盘口数据: 买卖报价与深度
- 事件数据: 公告/财报日期
分析工作流
Step 1: 逆向选择度量
- 价差分解法：逆向选择成分 = 有效价差 - 已实现价差
- 价格冲击法：成交后价格永久变动的部分
- Glosten-Harris模型：将价格变动分解为信息与噪声
- MRR模型：Madhavan-Richardson-Roomans三成分
Step 2: 信息不对称指标
- PIN：知情交易概率
- 价差中逆向选择占比：越高信息不对称越大
- 价格冲击的永久成分：反映信息含量
- 订单流毒性(VPIN)：订单流中的信息含量
Step 3: 逆向选择的决定因素
- 公司透明度：信息披露质量越高逆向选择越低
- 分析师覆盖：覆盖多的股票信息不对称低
- 机构持仓：机构占比高→信息生产多→不对称可能更高
- 事件窗口：财报/公告前逆向选择上升
Step 4: 应用
- 流动性提供者：逆向选择高的股票做市风险大
- 交易时机：逆向选择低的时段交易成本低
- 选股因子：逆向选择作为风险因子
- 监管：异常逆向选择可能暗示内幕交易
Step 5: 输出报告
输出格式
formal 风格（研报级）
# [标的] 逆向选择分析报告
## 一、逆向选择度量
| 指标 | 数值 | 分位数 |
|------|------|--------|
## 二、信息不对称
[PIN、VPIN、价差分解]
## 三、决定因素
[透明度、分析师覆盖]
## 四、交易建议
brief 风格（快速分析）
## [标的] 逆向选择速览
- 逆向选择成分占价差 42%
- PIN 0.18，信息不对称中等
- 分析师覆盖 8 家，信息环境尚可
- 建议：盘中10:00-11:00交易成本最低
参考 references/adverse-selection-guide.md 获取详细方法论与 A股实证研究。
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