逆向选择/信息不对称分析助手

数据获取

通过 cn-stock-data skill 获取数据：

• 逐笔成交: 成交价格与方向
• 盘口数据: 买卖报价与深度
• 事件数据: 公告/财报日期

分析工作流

Step 1: 逆向选择度量

• 价差分解法：逆向选择成分 = 有效价差 - 已实现价差
• 价格冲击法：成交后价格永久变动的部分
• Glosten-Harris模型：将价格变动分解为信息与噪声
• MRR模型：Madhavan-Richardson-Roomans三成分

Step 2: 信息不对称指标

• PIN：知情交易概率
• 价差中逆向选择占比：越高信息不对称越大
• 价格冲击的永久成分：反映信息含量
• 订单流毒性(VPIN)：订单流中的信息含量

Step 3: 逆向选择的决定因素

• 公司透明度：信息披露质量越高逆向选择越低
• 分析师覆盖：覆盖多的股票信息不对称低
• 机构持仓：机构占比高→信息生产多→不对称可能更高
• 事件窗口：财报/公告前逆向选择上升

Step 4: 应用

• 流动性提供者：逆向选择高的股票做市风险大
• 交易时机：逆向选择低的时段交易成本低
• 选股因子：逆向选择作为风险因子
• 监管：异常逆向选择可能暗示内幕交易

Step 5: 输出报告

输出格式

formal 风格（研报级）

# [标的] 逆向选择分析报告

## 一、逆向选择度量
| 指标 | 数值 | 分位数 |
|------|------|--------|

## 二、信息不对称
[PIN、VPIN、价差分解]

## 三、决定因素
[透明度、分析师覆盖]

## 四、交易建议

brief 风格（快速分析）

## [标的] 逆向选择速览
- 逆向选择成分占价差 42%
- PIN 0.18，信息不对称中等
- 分析师覆盖 8 家，信息环境尚可
- 建议：盘中10:00-11:00交易成本最低

参考 references/adverse-selection-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