A股领先滞后关系/板块传导分析

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: 获取多标的K线

Step 2: 交叉相关分析

计算标的A在t期收益率与标的B在t+k期收益率的相关性（k=-5到+5）

Step 3: Granger因果检验

检验A是否Granger因果引起B（或反向）

Step 4: 领先滞后图谱

构建多标的间的领先-滞后关系网络

Step 5: 输出

维度	formal	brief
相关矩阵	多lag完整矩阵	最强领先关系
因果检验	Granger检验结果	领先/滞后天数
关系图谱	完整网络图	Top 3领先者
默认风格：brief。

关键规则

1. 领先滞后关系可能不稳定——需滚动窗口验证
2. 相关性≠因果——Granger检验也只是统计因果
3. A股中上游→下游传导较明显（如铜→电线电缆）
4. 大盘股往往领先小盘股1-2日
5. 北向资金动向常领先A股1-3日

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