aifinlab 最优执行/Almgren-Chriss模型助手
数据获取
通过 cn-stock-data skill 获取数据：
- 历史数据: 日均成交量/波动率
- 冲击参数: 临时/永久冲击系数
- 订单信息: 总量/方向/紧急度
分析工作流
Step 1: 模型参数估计
- 永久冲击系数 γ：订单流对价格的永久影响
- 临时冲击系数 η：执行速度对价格的临时影响
- 波动率 σ：标的价格的日波动率
- 风险厌恶系数 λ：投资者对执行风险的厌恶程度
Step 2: 最优执行策略求解
- 目标函数：最小化 E[成本] + λ × Var[成本]
- Almgren-Chriss解：指数衰减的执行速度曲线
- 风险厌恶高→执行更快(减少风险但增加冲击)
- 风险厌恶低→执行更慢(减少冲击但增加风险)
Step 3: 执行前沿(Efficient Frontier)
- E[成本] vs Var[成本] 的权衡曲线
- 不同风险厌恶下的最优策略点
- 与TWAP/VWAP的对比：AC通常更优
- 约束条件：参与率上限/执行窗口限制
Step 4: 实施与监控
- 将最优轨迹转化为分时段目标量
- 实时偏差监控：实际vs计划执行量
- 自适应调整：市场条件变化时重新优化
- 事后评估：实际成本vs模型预测
Step 5: 输出报告
输出格式
formal 风格（研报级）
# 最优执行方案报告
## 一、参数估计
| 参数 | 数值 |
|------|------|
## 二、最优策略
[执行轨迹、分时段目标]
## 三、执行前沿
[E[成本] vs Var[成本]]
## 四、实施建议
brief 风格（快速分析）
## 最优执行速览
- AC模型，风险厌恶λ=1e-6
- 最优策略：前重后轻，60%在前半段完成
- 预期成本 0.10%，风险(std) 0.05%
- 优于TWAP约15%
参考 references/optimal-execution-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