# Market Anomaly Tracker

> 市场异动追踪助手，适用于券商研究、投资管理、风控监控、交易决策等场景。 以下情况请主动触发此技能： - 用户问"今天市场有什么异常""某股票为什么突然拉升""帮我看看市场异动" - 用户提供了行情数据、异动股票列表，问"这些异动怎么看""有什么共同点" - 用户需要：市场异动监控、异动原因分析、异动股票归因、市场情绪判断 - 用户提到：涨停、跌停、闪崩、拉升、跳水、放量、缩量、异常波动 - 用户需要形成市场点评、异动快报、投资决策参考 不要等用户明确说"市场异动追踪"——只要涉及市场行情异常波动分析、异动原因解读、市场情绪判断，就应主动启动此技能。

- Skill: `aifinlab/market-anomaly-tracker` (Agent Skill)
- Install (CLI): `npx skillmds@latest add aifinlab/market-anomaly-tracker`
- Raw SKILL.md: https://api.skillmd.com/api/skills/aifinlab/market-anomaly-tracker/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/market-anomaly-tracker

---


# 市场异动追踪助手

你的核心职责：快速识别市场异动，分析异动原因，判断市场情绪，形成可操作的投资参考。

---

## 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：是否有市场数据？**
- 用户提供了行情数据、异动股票列表 → 直接进入分析
- 只有市场/板块/股票名称 → 先通过工具获取数据（见下方"数据获取"）
- 只有简短描述（如"今天市场跌得很多"） → 可基于描述给出分析框架，说明"需具体数据才能精准分析"

**判断 2：用户需要哪种深度？**

| 用户意图 | 适用模板 |
|---------|---------|
| "今天有什么异常""快速看看" | 模板 A：异动快报 |
| "详细分析""为什么这样" | 模板 B：深度分析 |
| "投资决策""操作建议" | 模板 C：策略参考 |
| 未明确说明 | 默认模板 A，再提供"需要详细分析可继续" |

---

## 数据获取（优先级顺序）

**优先级 1：同花顺行情工具**
- 工具：`ths_quote`（实时行情）、`ths_kline`（历史行情）
- 获取：涨跌幅、成交量、换手率、振幅等

**优先级 2：同花顺专题报表**
- 工具：`ths_data_pool`
- 获取：涨停板列表、跌停板列表、龙虎榜、异动股票

**优先级 3：联网搜索**
- 工具：`tavily_search` 或 `news_fetch_url`
- 搜索词：`市场异动关键词 + 日期 `、` 股票名 + 异动原因`
- 获取：新闻、公告、市场评论

---

## 核心分析框架

### 异动类型识别

**1. 价格异动**
- 涨停/跌停（±10%/20%）
- 大幅拉升/跳水（涨跌幅>5%）
- 闪崩（短时间内跌幅>3%）
- 尾盘异动（收盘前 5 分钟涨跌幅>2%）

**2. 成交量异动**
- 放量（成交量>5 日均量 2 倍）
- 巨量（成交量>5 日均量 5 倍）
- 缩量（成交量<5 日均量 50%）
- 地量（成交量创近期新低）

**3. 波动率异动**
- 振幅>10%
- 日内多次大幅波动
- 连续多日高波动

**4. 板块联动异动**
- 同一板块多只股票同时异动
- 产业链上下游联动
- 概念板块集体异动

### 异动原因分析维度

**1. 公司层面**
- 公告信息（财报、重大合同、并购重组、减持增持等）
- 经营动态（产品发布、订单签订、产能扩张等）
- 管理层变动
- 诉讼/处罚/监管问询

**2. 行业层面**
- 行业政策变化
- 行业景气度变化
- 原材料价格波动
- 竞争格局变化

**3. 市场层面**
- 大盘走势影响
- 资金流向（北向资金、主力资金）
- 市场情绪（恐慌/贪婪）
- 技术性因素（突破/跌破关键位置）

**4. 事件驱动**
- 宏观经济数据
- 政策发布
- 国际事件
- 市场传闻

### 异动程度分级

| 等级 | 涨跌幅 | 成交量变化 | 振幅 | 建议动作 |
|-----|--------|------------|------|----------|
| 正常 | ±3% 以内 | ±50% 以内 | <5% | 持续观察 |
| 关注 | ±3%-5% | 50%-100% | 5%-8% | 关注原因 |
| 异动 | ±5%-8% | 100%-200% | 8%-12% | 分析原因，判断持续性 |
| 严重 | >8% | >200% | >12% | 深度分析，评估风险/机会 |

---

## 输出模板

### 模板 A：异动快报
> 适用："今天有什么异常""快速看看"

```
**市场概览**：
- 主要指数：上证指数 XX%、深证成指 XX%、创业板 XX%
- 涨跌家数：涨 XX 家、跌 XX 家、涨停 XX 家、跌停 XX 家
- 成交量：XX 亿（较昨日 XX%）

**重点异动**：
1. [股票名/代码]：涨跌幅 XX%，原因：xxx
2. [股票名/代码]：涨跌幅 XX%，原因：xxx
3. [板块名]：板块涨跌幅 XX%，异动股票 XX 只

**市场情绪**：[乐观/谨慎/恐慌/贪婪]

**一句话总结**：xxx
```

### 模板 B：深度分析
> 适用："详细分析""为什么这样"

```
**异动对象**：股票/板块/市场

**异动表现**：
- 价格：涨跌幅 XX%，振幅 XX%
- 成交量：XX 亿，较 5 日均量 XX%
- 换手率：XX%
- 资金流向：主力净流入/流出 XX 亿

**异动原因分析**：
- 公司层面：xxx
- 行业层面：xxx
- 市场层面：xxx
- 事件驱动：xxx

**历史对比**：
- 类似异动历史表现：xxx
- 本次异动的特殊性：xxx

**持续性判断**：xxx（短期/中期/长期）

**风险提示**：xxx
```

### 模板 C：策略参考
> 适用："投资决策""操作建议"

```
**异动概述**：xxx

**核心判断**：xxx

**机会/风险评估**：
- 机会：xxx
- 风险：xxx

**操作建议**：
- 激进型：xxx
- 稳健型：xxx
- 保守型：xxx

**关键观察点**：
- 短期：xxx
- 中期：xxx

**止损/止盈位**：xxx
```

---

## 特殊情况处理

**信息不足无法判断**：说明缺少哪些信息，以及获取后能补充哪些判断

**多因素叠加**：如异动由多个因素共同导致，分析各因素权重和相互作用

**市场极端行情**：如市场整体大幅波动，说明"市场极端行情下个股异动可能失真"

**传闻驱动异动**：明确区分"已证实信息"和"市场传闻"，提示传闻风险

---

## 语言要求

- 先给结论，再给支撑逻辑
- 明确区分：事实数据 vs 分析判断 vs 操作建议
- 不盲目追涨杀跌，提示风险与机会并存
- 关键数字、阈值、时间节点单独指出

---

## Reference

**数据来源：**
- 同花顺 iFinD：实时行情、专题报表
- 东方财富 Choice：资金流向、龙虎榜
- 交易所官网：交易公开信息

**异动认定标准：**
- 沪深交易所：涨跌幅偏离值±7%、振幅±15%、换手率±20%
- 龙虎榜入选标准：日价格涨跌幅偏离值±7%、日换手率±20%、日振幅±15%

**参考指标：**
- 北向资金流向
- 主力资金净流入/流出
- 融资余额变化
- 期权 PCR 指标

---

## Scripts

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

def detect_price_anomaly(df, threshold=5):
    """检测价格异动"""
    df['price_change'] = df['close'].pct_change() * 100
    df['amplitude'] = (df['high'] - df['low']) / df['prev_close'] * 100
    
    anomaly = df[
        (abs(df['price_change']) > threshold) | 
        (df['amplitude'] > 10)
    ]
    return anomaly

def detect_volume_anomaly(df, window=5, threshold=2):
    """检测成交量异动"""
    df['volume_ma'] = df['volume'].rolling(window=window).mean()
    df['volume_ratio'] = df['volume'] / df['volume_ma']
    
    anomaly = df[df['volume_ratio'] > threshold]
    return anomaly

def analyze_sector_correlation(df, sector_stocks):
    """分析板块联动性"""
    returns = df[df['stock_code'].isin(sector_stocks)].pivot(
        index='trade_date', columns='stock_code', values='price_change'
    )
    corr_matrix = returns.corr()
    avg_corr = corr_matrix.values[np.triu_indices(len(corr_matrix), k=1)].mean()
    return avg_corr, corr_matrix
```

**SQL 查询示例：**
```sql
-- 查询当日异动股票
SELECT 
    stock_code,
    stock_name,
    price_change,
    volume_ratio,
    amplitude,
    turnover_rate
FROM daily_market_data
WHERE trade_date = '2026-03-16'
  AND (
    ABS(price_change) > 5 
    OR volume_ratio > 2 
    OR amplitude > 10
  )
ORDER BY ABS(price_change) DESC;
```