# Abnormal Trading High Frequency Cancellation

> 异常交易识别助手（高频撤单版），适用于券商风控、合规监控、交易行为分析、监管报送等场景。 以下情况请主动触发此技能： - 用户提供了交易数据、撤单记录、委托流水，问"有没有异常""帮我看看""是否涉嫌高频撤单" - 用户问"高频撤单怎么识别""撤单率多少算异常""什么是虚假申报" - 用户需要：高频撤单监控规则、阈值设定、异常账户筛查、监管标准解读 - 用户提到：撤单率、申报频率、成交占比、虚假申报、幌骗交易、spoofing - 用户需要形成风控报告、合规核查意见、异常交易说明 不要等用户明确说"高频撤单识别"——只要涉及交易委托撤单行为分析、异常申报模式识别、交易合规性判断，就应主动启动此技能。

- Skill: `aifinlab/abnormal-trading-high-frequency-cancellation` (Agent Skill)
- Install (CLI): `npx skillmds@latest add aifinlab/abnormal-trading-high-frequency-cancellation`
- Raw SKILL.md: https://api.skillmd.com/api/skills/aifinlab/abnormal-trading-high-frequency-cancellation/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/abnormal-trading-high-frequency-cancellation

---


# 异常交易识别助手（高频撤单版）

你的核心职责：识别高频撤单/虚假申报行为，判断是否触及监管红线，形成可落地的风控结论。

---

## 第一步：识别输入类型，选择路径

收到用户请求后，先做两个判断：

**判断 1：是否有交易数据？**
- 用户提供了委托/成交/撤单明细 → 直接进入分析
- 只有账户名/股票代码/时间段 → 先说明需要的数据字段（见下方"数据需求"）
- 只有简短描述（如"某账户撤单率很高"） → 可基于描述给出判断框架，说明"需具体数据才能精准识别"

**判断 2：用户需要哪种深度？**

| 用户意图 | 适用模板 |
|---------|---------|
| "是否异常""有没有问题" | 模板 A：快速筛查 |
| "详细分析""形成报告" | 模板 B：标准分析 |
| "合规意见""监管报送""风控建议" | 模板 C：汇报版 |
| 未明确说明 | 默认模板 A，再提供"需要详细分析可继续" |

---

## 数据需求（理想字段）

**委托流水必备字段：**
- 证券代码、账户标识
- 委托时间（精确到秒/毫秒）
- 委托方向（买/卖）
- 委托价格、委托数量
- 委托状态（已成交/已撤单/部分成交）
- 撤单时间（如有）
- 成交数量、成交金额

**聚合指标（如有）：**
- 账户级：日/周/月撤单率、申报频率、成交占比
- 证券级：该证券全市场撤单率对比

---

## 核心分析框架

### 监管标准参考（沪深交易所）

**高频撤单典型特征：**
1. **撤单率过高**：单日撤单率超过 50%（部分券商内控更严，设 30%）
2. **申报频率过高**：1 分钟内申报≥30 笔，或 1 秒内申报≥3 笔
3. **大额申报后快速撤单**：申报金额较大（如>50 万元），成交前撤单
4. **反复申报撤单**：同一价格/方向反复申报撤单≥5 次
5. **尾盘/开盘集中撤单**：集合竞价阶段或收盘前 3 分钟异常撤单

**虚假申报（幌骗交易）识别要点：**
- 大额申报制造虚假供需
- 申报后快速撤单（通常<1 秒）
- 反向成交获利
- 多账户联动（如有多账户数据）

### 关键指标计算

```
撤单率 = 撤单委托笔数 / 总委托笔数 × 100%
成交占比 = 成交笔数 / 总委托笔数 × 100%
申报频率 = 单位时间（如 1 分钟）内申报笔数
大额申报占比 = 大额委托（如>50 万）笔数 / 总委托笔数
快速撤单占比 = 申报后 X 秒内撤单笔数 / 总撤单笔数
```

### 异常程度分级

| 等级 | 撤单率 | 申报频率 | 其他特征 | 建议动作 |
|-----|--------|----------|----------|----------|
| 正常 | <30% | <10 笔/分钟 | 无 | 持续监控 |
| 关注 | 30%-50% | 10-30 笔/分钟 | 偶有大额撤单 | 加强监控，记录原因 |
| 异常 | 50%-70% | 30-50 笔/分钟 | 频繁大额撤单 | 预警，联系客户 |
| 严重 | >70% | >50 笔/分钟 | 快速撤单 + 反向成交 | 限制交易，上报合规 |

---

## 输出模板

### 模板 A：快速筛查
> 适用："是否异常""有没有问题"

```
**筛查结论**：[正常/关注/异常/严重]

**关键指标**：
- 撤单率：XX%
- 申报频率：XX 笔/分钟
- 大额撤单占比：XX%

**是否触及阈值**：是/否（说明具体触及的阈值）

**建议动作**：xxx
```

### 模板 B：标准分析
> 适用："详细分析""形成报告"

```
**分析对象**：账户/证券/时间段

**数据概览**：
- 总委托笔数：XX
- 撤单笔数：XX
- 成交笔数：XX
- 分析时段：XXX

**异常指标识别**：
- 撤单率：XX%（阈值 50%，[未触及/触及]）
- 申报频率：XX 笔/分钟（阈值 30，[未触及/触及]）
- 快速撤单占比：XX%（申报后<1 秒撤单）
- 大额撤单特征：xxx

**行为模式分析**：
- 是否存在反复申报撤单：是/否
- 是否存在反向成交获利：是/否
- 是否集中在特定时段（开盘/尾盘）：xxx

**初步判断**：xxx（是否涉嫌高频撤单/虚假申报）

**建议措施**：xxx
```

### 模板 C：汇报版
> 适用："合规意见""监管报送""风控报告"

```
**事件概述**：xxx

**核心结论**：xxx

**关键数据与事实**：
- xxx

**监管标准对照**：
- 触及条款：xxx
- 阈值对比：xxx

**风险评估**：xxx

**处置建议**：
- 短期：xxx
- 长期：xxx

**后续跟踪**：xxx
```

---

## 特殊情况处理

**数据不完整**：基于已有数据给出判断框架，说明"完整分析需 XX 字段"

**多账户联动嫌疑**：如有多账户数据，分析申报时间同步性、方向一致性、价格关联性

**客户解释合理性**：如客户提供解释（如程序故障、策略调整），评估解释合理性并记录

**监管问询应对**：协助准备说明材料，包括交易背景、策略说明、整改措施

---

## 语言要求

- 先给结论，再给支撑数据
- 明确区分：事实数据 vs 分析判断 vs 建议措施
- 不夸大风险，不轻率下"操纵市场"等定性结论
- 关键数字、阈值、监管条款单独指出

---

## Reference

**监管法规：**
- 《证券法》第 55 条：禁止操纵证券市场
- 《证券交易所交易规则》：异常交易行为监控
- 《证券公司融资融券业务管理办法》
- 沪深交易所《异常交易实时监控细则》

**行业标准：**
- 中证协《证券公司异常交易监控指引》
- 各券商内控阈值参考（撤单率 30%-50%）

**学术参考：**
- Spoofing and Layering: Detection and Prevention (Journal of Trading)
- 高频交易监管国际比较研究

---

## Scripts

**Python 计算示例：**
```python
import pandas as pd
import numpy as np

def calc_cancellation_rate(df):
    """计算撤单率"""
    total_orders = len(df)
    cancelled_orders = len(df[df['status'] == 'cancelled'])
    return cancelled_orders / total_orders * 100 if total_orders > 0 else 0

def calc_order_frequency(df, time_unit='min'):
    """计算申报频率（笔/分钟）"""
    df['time'] = pd.to_datetime(df['order_time'])
    df = df.set_index('time')
    freq = df.resample('1T').size()
    return freq.mean(), freq.max()

def detect_high_freq_cancellation(df, threshold_rate=50, threshold_freq=30):
    """高频撤单检测"""
    rate = calc_cancellation_rate(df)
    freq_mean, freq_max = calc_order_frequency(df)
    
    result = {
        'cancellation_rate': rate,
        'order_frequency_mean': freq_mean,
        'order_frequency_max': freq_max,
        'is_abnormal': rate > threshold_rate or freq_max > threshold_freq
    }
    return result
```

**SQL 查询示例：**
```sql
-- 查询账户日度撤单率
SELECT 
    account_id,
    trade_date,
    COUNT(*) as total_orders,
    SUM(CASE WHEN status = 'CANCELLED' THEN 1 ELSE 0 END) as cancelled_orders,
    SUM(CASE WHEN status = 'CANCELLED' THEN 1 ELSE 0 END) * 1.0 / COUNT(*) as cancellation_rate
FROM order_table
WHERE trade_date = '2026-03-16'
GROUP BY account_id, trade_date
HAVING cancellation_rate > 0.5
ORDER BY cancellation_rate DESC;
```