aifinlab A股领先滞后关系/板块传导分析
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: 获取多标的K线
Step 2: 交叉相关分析
计算标的A在t期收益率与标的B在t+k期收益率的相关性（k=-5到+5）
Step 3: Granger因果检验
检验A是否Granger因果引起B（或反向）
Step 4: 领先滞后图谱
构建多标的间的领先-滞后关系网络
Step 5: 输出
| 维度 | formal | brief |
|---|---|---|
| 相关矩阵 | 多lag完整矩阵 | 最强领先关系 |
| 因果检验 | Granger检验结果 | 领先/滞后天数 |
| 关系图谱 | 完整网络图 | Top 3领先者 |
| 默认风格：brief。 |
关键规则
- 领先滞后关系可能不稳定——需滚动窗口验证
- 相关性≠因果——Granger检验也只是统计因果
- A股中上游→下游传导较明显（如铜→电线电缆）
- 大盘股往往领先小盘股1-2日
- 北向资金动向常领先A股1-3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