---
name: aifinlab/a-share-cross-market
source: https://app.decimal.ai/s/aifinlab-a-share-cross-market@1/SKILL.md
source_sha256: 337d353c7027
---

### 数据源
```bash
# cn-stock-data 统一层获取行情（跨市场用 snowball 路由）
python -c "
import subprocess, json

# A股主要指数（通过 cn-stock-data → efinance 路由）
# 上证指数 000001, 沪深300 000300, 创业板指 399006
# 用 cn-stock-data skill 的 quote/kline 接口

# 港股（snowball 路由，HK 前缀）
# 恒生指数 HK00001, 恒生科技 HKHSTECH, H股指数 HK00011

# 美股（snowball 路由，US 前缀）
# 标普500 US.SPX, 纳斯达克 US.IXIC, 道琼斯 US.DJI

# 需要 pysnowball token 才能获取港美股数据
import pysnowball as ball
# ball.set_token('your_token')
# ball.quotec('SH000001,HKHSI,.DJI,.IXIC,.INX')  # 跨市场报价
# ball.kline('SH000001', period='day', count=-120)  # K线数据
"

# AH 股比较数据（akshare 直接调用）
python -c "
import akshare as ak
# AH 股比价
df = ak.stock_a_ah_comparison_em()
print(df.head(20).to_string())
# 返回字段：代码/名称/A股价格/H股价格/比价(A/H)/溢价率
"

# 大宗商品（akshare）
python -c "
import akshare as ak
# 国际原油
df = ak.futures_foreign_hist(symbol='CL')  # WTI原油
# 伦敦金
df = ak.futures_foreign_hist(symbol='GC')  # COMEX黄金
# LME铜
df = ak.futures_foreign_hist(symbol='HG')  # COMEX铜
print(df.tail(5).to_string())
"
```
补充 web 搜索：美股收盘情况、大宗商品实时价格、美元指数、离岸人民币汇率、美联储议息会议纪要、全球央行动态。

### Workflow (5 steps):

**Step 1: 多市场数据获取**
根据用户需求确定分析范围：
- **全面联动**："跨市场分析" → A股指数 + 美股三大指数 + 恒指 + 商品 + 汇率
- **双市场对比**："A股和美股联动" → 聚焦 A 股与美股
- **AH 溢价**："AH溢价分析" → 聚焦 A+H 双上市公司
- **商品传导**："原油对A股影响" → 聚焦特定商品 → A股传导链
- **汇率影响**："人民币贬值影响" → 聚焦汇率 → 行业影响

获取数据（近 60-120 个交易日）：
| 市场 | 标的 | 数据源 |
|------|------|--------|
| A股 | 上证/沪深300/创业板指 | cn-stock-data (efinance路由) |
| 美股 | S&P500/纳斯达克/道琼斯 | cn-stock-data (snowball路由) |
| 港股 | 恒生指数/恒生科技/H股指数 | cn-stock-data (snowball路由) |
| 商品 | 原油/黄金/铜/铁矿石 | akshare futures |
| 汇率 | 美元指数/离岸人民币 | web搜索 |

**Step 2: 相关性与领先滞后分析**

**相关系数计算**：
- 取日收益率序列，计算 Pearson 相关系数（近 60 日/120 日）
- 相关系数解读：|r|>0.7 强相关, 0.4-0.7 中等, <0.4 弱相关

**领先滞后关系**：
- 计算滞后 1-5 日的互相关系数
- 判断谁领先谁：隔夜美股 → 次日 A 股开盘是最常见的领先关系
- 注意：领先关系会随市场阶段变化，非固定规律

**联动强度变化**：
- 对比近期（20日）vs 中期（60日）相关系数，判断联动是否在加强/减弱
- 高联动阶段通常对应：全球风险事件、美联储政策转向、流动性冲击

**Step 3: AH 溢价分析（如涉及）**

通过 `ak.stock_a_ah_comparison_em()` 获取 AH 股数据：
- **整体溢价水平**：恒生 AH 溢价指数（HSAHP）历史区间 100-160，均值约 130
- **个股溢价排序**：找出溢价最高/最低的股票
- **溢价变动趋势**：近期溢价是扩大还是收窄
- **套利信号**：极端溢价个股可能存在价值回归机会（但需考虑汇率/流动性/制度差异）

| 溢价区间 | 市场状态 | 含义 |
|---------|---------|------|
| <110 | 罕见低溢价 | A股相对低估或港股相对高估 |
| 110-130 | 正常区间 | 反映制度差异溢价 |
| 130-150 | 偏高 | A股情绪偏热或港股承压 |
| >150 | 极端高溢价 | A股显著高估，关注回归风险 |

**Step 4: 传导机制分析**

**资金流传导**：
- 北向资金（沪深港通）→ A股直接影响
- 全球流动性（美联储政策）→ 新兴市场资金流向 → A股
- 美元强弱 → 人民币汇率 → 北向资金意愿

**情绪传导**：
- 隔夜美股大涨/大跌 → A股开盘跳空
- VIX 恐慌指数飙升 → 全球risk-off → A股承压
- 中概股异动 → A股对标公司联动

**基本面传导**：
- 原油上涨 → 化工/航空成本上升，油服/煤化工受益
- 铜价上涨 → 有色板块受益，新能源成本承压
- 美国经济衰退 → 中国出口承压 → 出口链公司
- 人民币贬值 → 出口企业受益，航空/造纸（美元债）承压

**政策传导**：
- 美联储加息/降息 → 中美利差 → 资金流向
- 美国关税政策 → 贸易摩擦 → 相关行业
- 全球央行协同/分化 → 汇率波动 → 跨境资金

**Step 5: 输出**

### 风格说明
| 维度 | formal（机构跨市场研究） | brief（快速跨市场参考） |
|------|----------------------|----------------------|
| 篇幅 | 4-8 页 | 1-2 页 |
| 市场覆盖 | A股+美股+港股+商品+汇率全覆盖 | 聚焦用户关心的2-3个市场 |
| 相关性分析 | 完整相关系数矩阵+滞后分析 | 定性描述联动方向和强度 |
| AH溢价 | 完整AH溢价表+历史对比 | 整体溢价水平+异常个股 |
| 传导机制 | 详细多路径分析 | 核心传导链1-2条 |
| 历史对比 | 类似历史情景回顾 | 不需要 |
| 免责声明 | 需要 | 不需要 |

### 关键规则
1. **相关不等于因果**：两个市场同涨同跌不代表存在因果关系，可能受同一因素驱动
2. **联动强度因阶段而异**：A股受外盘影响程度在不同市场阶段差异显著（牛市中后期更独立，恐慌阶段高度联动）
3. **AH溢价有制度基础**：AH溢价不会归零，因为A/H两地存在投资者结构、流动性、交易制度的系统性差异
4. **汇率影响因行业而异**：人民币贬值对出口型企业利好，对进口依赖型/美元债较多企业利空，不可一概而论
5. **时差与交易时间**：美股收盘→A股开盘有时差，需注意盘后/盘前信息；港股与A股交易时间有重叠
6. **数据来源标注**：跨市场数据来源多样，务必标注每项数据的来源和时间点
7. **与其他 skill 联动**：跨市场分析结论可指导 a-share-sector（受影响行业）、a-share-northbound（北向资金分析）、a-share-macro（宏观政策背景）

## 使用示例

### 示例 1: 基本使用

```python
# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})
```

### 示例 2: 命令行使用

```bash
python scripts/run_skill.py --input data.json
```