aifinlab A股结构变点检测/趋势拐点识别
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K线时间序列
Step 2: 变点检测方法
- CUSUM检验（累积和）
- Chow检验（已知候选断点）
- Bai-Perron多断点检验
Step 3: 断点前后对比
比较断点前后的均值/波动率/趋势斜率变化
Step 4: 归因分析
关联断点时间与重大事件（政策/业绩/市场）
Step 5: 输出
| 维度 | formal | brief |
|---|---|---|
| 断点检测 | 多方法+统计检验 | 最近断点 |
| 前后对比 | 均值/波动率变化 | 趋势变了吗 |
| 归因 | 事件关联分析 | 可能原因 |
| 默认风格：brief。 |
关键规则
- 结构断点通常对应重大事件（政策/业绩/市场危机）
- 多种检验方法一致的断点更可靠
- 断点检测有事后偏差——实时判断更难
- 波动率断点往往先于均值断点
- 断点后的新均衡状态可能持续较长时间
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