aifinlab A股业绩超预期/低预期量化分析
数据源
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: 获取财务数据和K线
Step 2: 计算业绩超预期度
- SUE = (实际EPS - 预期EPS) / |预期EPS|
- 或用 实际净利润 vs 上期同比趋势线
Step 3: 事件效应分析
- 业绩公告后T+1/T+3/T+5/T+20的CAR
- 区分超预期和低预期的不对称效应
Step 4: 业绩漂移（PEAD）
分析业绩公告后的收益率漂移持续性
Step 5: 输出
| 维度 | formal | brief |
|---|---|---|
| 超预期度 | SUE计算+排名 | 超/达/低预期 |
| 市场反应 | CAR序列分析 | 公告后涨跌 |
| 漂移分析 | PEAD统计 | 漂移方向 |
| 默认风格：brief。 |
关键规则
- A股业绩漂移效应（PEAD）显著存在——超预期后继续涨
- 负面业绩反应通常比正面更剧烈（不对称效应）
- 业绩预告vs正式报告可能有差异——两次都需关注
- 分析师一致预期是衡量超预期的最佳基准（如有）
- 业绩公告通常盘后发布——T+1为首个反应日
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