A股均值回归策略

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: 选择回归基准

• 价格均值回归：均线（MA20/MA60/MA120）作为基准
• 估值均值回归：PE/PB 历史中位数作为基准
• 行业相对回归：个股 vs 行业指数的相对强弱

Step 2: 计算偏离度

1. 价格偏离度 = (Price - MA) / MA × 100%
2. 估值偏离度 = (PE - PE_median) / PE_std
3. Z-score 标准化

Step 3: 半衰期估计

• 基于 Ornstein-Uhlenbeck 模型：dS = θ(μ-S)dt + σdW
• 半衰期 = ln(2) / θ
• 回归 ΔS = a + b×S_{t-1}，半衰期 = -ln(2)/b
• 半衰期越短，均值回归越快

Step 4: 交易信号

• 超卖入场：Z-score < -2（偏离均值 2 个标准差）
• 超买入场（做空/减仓）：Z-score > +2
• 退出：Z-score 回归至 ±0.5 以内

Step 5: 输出

维度	formal	brief
偏离分析	多基准偏离度+历史分布	当前偏离度
半衰期	OU 模型+Hurst 指数	预计回归天数
回测	完整绩效	胜率+收益

默认风格：brief。

关键规则

1. 均值回归前提是"均值存在"——趋势行情中均值会漂移
2. Hurst 指数 < 0.5 表示均值回归特性，> 0.5 表示趋势特性
3. A 股短期（1-4 周）有显著反转效应，是均值回归策略的基础
4. 需区分"超跌反弹"和"趋势延续"——结合基本面判断
5. 涨跌停限制可能延长回归时间

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