# A Share Optimal Execution

> A股最优执行/Almgren-Chriss模型。当用户说"最优执行"、"optimal execution"、"Almgren-Chriss"、"执行优化"、"最优拆单"、"execution frontier"时触发。基于 cn-stock-data 获取数据，求解最优执行策略。支持 formal/brief 两种输出风格。

- Skill: `aifinlab/a-share-optimal-execution` (Agent Skill, multi-file: 2 files)
- Install (CLI): `npx skillmds@latest add aifinlab/a-share-optimal-execution`
- Raw SKILL.md: https://api.skillmd.com/api/skills/aifinlab/a-share-optimal-execution/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: aifinlab (https://skillmd.com/u/aifinlab)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/aifinlab/a-share-optimal-execution

---


# 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

```python
# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})
```

### 示例 2: 命令行使用

```bash
python scripts/run_skill.py --input data.json
```