TrueHOOHA/shanxi-securities-tushare-skill / sxsc-tushare-analysis
sxsc-tushare-analysis
Verified对用户提到的标的(沪深股票、指数、公募基金、期货)进行综合分析,输出带 ECharts 图表的 HTML 分析报告。 触发条件:用户说"分析""研究""评估""看看XX怎么样""XX基本面""XX技术面""XX估值""XX财务""深度研究""对比"等分析类请求,且标的属于 A 股/指数/公募基金/期货。 本 skill 自动调用 sxsc_tushare 取数并输出完整报告,接管数据获取与分析全流程。当本 skill 被触发时,数据获取类 skill 不应同时激活——分析已包含数据。
| File | Kind | Size |
|---|---|---|
| SKILL.md | skill md | 43.8 KB |
| scripts/adjustment.py | script | 8.7 KB |
| scripts/analysis_runner.py | script | 120.8 KB |
| scripts/attribution.py | script | 10.1 KB |
| scripts/basic_metrics.py | script | 4.3 KB |
| scripts/check_env.py | script | 8.8 KB |
| scripts/data_api.py | script | 41.2 KB |
| scripts/factor_signals.py | script | 10.3 KB |
| scripts/fund_analysis_runner.py | script | 61.7 KB |
| scripts/fut_analysis_runner.py | script | 41.4 KB |
| scripts/index_analysis_runner.py | script | 54.6 KB |
| scripts/report_html.py | script | 38.0 KB |
| scripts/result_model.py | script | 4.4 KB |
| scripts/risk_modeling.py | script | 6.3 KB |
| scripts/stock_analyzer.py | script | 1.1 KB |
| scripts/technical_indicators.py | script | 5.9 KB |
| scripts/token_util.py | script | 4.0 KB |
scripts/adjustment.py
View on GitHub#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
调整与归一化模块:复权处理、序列归一化、收益率对比、历史分位数、截面去极值。
用于纵向对比(复权消除除权跳变)和横向对比(多标的归一化)。
"""
import numpy as np
import pandas as pd
# ============ 纵向对比:复权处理 ============
def apply_adj_factor(df_daily, df_adj):
"""基于 adj_factor 构建后复权价格序列(daily 为未复权,趋势/收益/技术指标必须复权后再算)。
df_daily: daily 接口结果(未复权,含 trade_date 及 open/high/low/close/pre_close 等列)
df_adj: adj_factor 接口结果(含 trade_date, adj_factor)
返回 df 增加 *_post 列(open_post/high_post/low_post/close_post/pre_close_post,
按 daily 实际存在的列逐列 ×adj_factor)。
所有后复权列同 scale,可安全用于 OHLC 类指标(KDJ/布林带等);
⚠️ 切勿用 close_post 配合未复权的 high/low——scale 不一致会导致 KDJ 等指标失真
(如需后复权,请统一用 *_post 列,或对 high/low 也取 *_post)。
"""
merged = df_daily.merge(df_adj[["trade_date", "adj_factor"]], on="trade_date", how="left")
merged = merged.sort_values("trade_date").set_index("trade_date")
# adj_factor 接口可能缺失最新交易日(数据滞后),左连接后该日为 NaN,
# 会导致 close_post 最新日 NaN、区间收益率与技术指标全失效。
# adj_factor 单调递增,前向填充用前一日因子是安全近似。
merged["adj_factor"] = merged["adj_factor"].ffill()
for col in ("open", "high", "low", "close", "pre_close"):
if col in merged.columns:
merged[f"{col}_post"] = merged[col] * merged["adj_factor"]
return merged
def apply_fund_adj(df_nav, df_adj):
"""基于 fund_adj 构建基金复权净值序列。
df_nav: fund_nav 结果(含 nav_date, unit_nav)
df_adj: fund_adj 结果(含 trade_date, adj_factor)
返回 df 增加 adj_nav 列(复权净值,前复权)。
"""
merged = df_nav.merge(
df_adj[["trade_date", "adj_factor"]].rename(columns={"trade_date": "nav_date"}),
on="nav_date", how="left"
).sort_values("nav_date").drop_duplicates("nav_date", keep="last").set_index("nav_date")
# fund_adj 因子可能缺失最新 nav_date(数据滞后),左连接后该日 adj_factor=NaN,
# adj_nav 末行即 NaN、区间收益/夏普/回撤整表失效。因子单调递增,前向填充
# 用前一日因子是安全近似;口径与 apply_adj_factor / apply_etf_adj 保持一致。
merged["adj_factor"] = merged["adj_factor"].ffill()
latest_factor = merged["adj_factor"].iloc[-1] if not merged.empty else 1.0
if pd.isna(latest_factor):
latest_factor = 1.0
merged["adj_nav"] = merged["unit_nav"] * merged["adj_factor"] / latest_factor
return merged
def apply_etf_adj(df_daily, df_adj):
"""基于 fund_adj 校正场内基金(ETF)价格序列,消除份额拆分/分红除权扭曲。
df_daily: fund_daily 结果(含 trade_date, close)
df_adj: fund_adj 结果(含 trade_date, adj_factor)
返回 df(trade_date 索引)增加 close_post 列(后复权收盘价 = close × adj_factor)。
ETF 拆分(如 1拆2,adj_factor=2.0)会导致不复权价腰斩,
直接算收益会严重失真,必须复权。fund_daily 返回的是不复权价。
⚠️ ETF 的 fund_adj 因子口径与股票 adj_factor 不同(实测方向/量级不统一:
510500 ~0.34、512100 ~0.373、510300 ~1.27),close_post 绝对值非后复权价,
仅供计算收益/夏普/回撤等 scale-invariant 指标(全程同列,pct_change 与因子绝对值无关);
展示价格请用未复权 close。
⚠️ 本函数**只复权 close**(产出 close_post),不复权 OHLC——
KDJ/布林带等需 high/low/close 同 scale 的指标,请改用 `apply_adj_factor`(它复权全部 OHLC)。
"""
merged = df_daily.merge(df_adj[["trade_date", "adj_factor"]], on="trade_date", how="left")
merged = merged.sort_values("trade_date").set_index("trade_date")
# adj_factor 可能缺失最新交易日(数据滞后),前向填充避免 close_post 最新日 NaN
merged["adj_factor"] = merged["adj_factor"].ffill()
merged["close_post"] = merged["close"] * merged["adj_factor"]
return merged
# ============ 横向对比:归一化 ============
def _check_date_index(index, fn_name):
"""校验索引为日期类型;整数/RangeIndex 等非日期索引会令 rebase/compare 产出无意义结果。"""
if isinstance(index, pd.RangeIndex) or (hasattr(index, "is_integer") and index.is_integer()):
raise TypeError(f"{fn_name}: 需日期索引(DatetimeIndex/日期字符串),收到整数索引。"
f"请先 .set_index('trade_date') 后再调用。")
def rebase_series(series_dict, base_date=None):
"""多标的序列归一化(rebase 到基准日=100)。
series_dict: {label: Series},每个 Series 索引为日期、值为复权价或净值。
base_date: 基准日字符串 YYYYMMDD,默认取各序列最早公共日期(即所有序列都有数据的最早一天)。
返回归一化后的 DataFrame,每列=一个标的,基准日=100。
⚠️ 每个 Series 必须是日期索引(DatetimeIndex 或日期字符串 index),
传整数索引会产出无意义结果——调用前先 .set_index('trade_date')。
"""
df = pd.DataFrame(series_dict).sort_index()
if df.empty:
return df
_check_date_index(df.index, "rebase_series")
common = df.dropna()
if common.empty:
return df
if base_date is None:
base_date = common.index[0]
base_val = df.loc[base_date]
return (df / base_val * 100).round(2)
def compare_returns(series_dict, periods=(20, 60, 120, 250)):
"""多标的收益率横向对比表。
series_dict: {label: Series},每个 Series 为复权价/复权净值(日期升序)。
返回 DataFrame,行=各标的,列=各区间收益率(%)。
⚠️ Series 必须是日期索引(传整数索引会产出无意义"最新值")。
"最新值"列显示后复权绝对值,仅供量级参考,展示价格请用未复权价。
"""
rows = {}
for label, s in series_dict.items():
if len(s) == 0:
rows[label] = {"标的": label, "最新值": "N/A"}
continue
_check_date_index(s.index, f"compare_returns[{label}]")
latest = s.iloc[-1]
row = {"标的": label, "最新值": round(float(latest), 2)}
for p in periods:
if len(s) > p:
row[f"近{p}日涨幅%"] = round(float((latest / s.iloc[-1 - p] - 1) * 100), 2)
rows[label] = row
return pd.DataFrame(rows.values())
# ============ 历史分位数 ============
def calc_percentile_rank(value, historical_series):
"""计算当前值在历史序列中的百分位。
value: 当前值(如当前 PE);为 None/NaN/inf 时返回 None(数据缺失,不给分位)
historical_series: 历史值序列(如近 5 年每日 PE)
返回 0-100 的百分位数,如 85 表示当前值高于历史 85% 的时间。
"""
# 缺失值必须返回 None 而不是 0.0:NaN 参与比较恒为 False,
# 会算出"0% 分位(极低)"这类与事实相反的假信号(估值/盈利分位最危险)。
# 调用方虽有 _safe_float 前置过滤,但不能依赖它——本函数自身必须安全。
if value is None or not np.isfinite(value):
return None
arr = np.array(historical_series.dropna())
if len(arr) == 0:
return None
rank = (arr < value).sum() / len(arr) * 100
return round(rank, 1)
# ============ 截面去极值(分析借用) ============
# 仅用于截面均值/标准化前,避免单只异常股拉偏行业均值或 Z-Score;
# 【禁止】用于 VaR/CVaR、偏度/峰度、最大回撤等刻画尾部的指标——会抹掉真实尾部信息。
def winsorize_cross_section(series, method="mad", k=3.0):
"""截面去极值:对一组截面值(如某日行业成分股 PE)做 3σ-MAD 或 1/99 百分位截断。
仅用于截面均值/标准化前,避免单只异常股拉偏行业均值或 Z-Score。
【禁止】用于 VaR/CVaR、偏度/峰度、最大回撤等刻画尾部的指标——会抹掉真实尾部信息。
"""
s = pd.Series(series).dropna()
if len(s) < 5:
return s
if method == "mad":
med = s.median()
mad = (s - med).abs().median()
if mad == 0:
return s
spread = k * 1.4826 * mad
lower, upper = med - spread, med + spread
else:
lower, upper = s.quantile(0.01), s.quantile(0.99)
return s.clip(lower, upper)
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| reverse-engineer-anythingmorluto/reaReverse engineer native, managed, Electron/JavaScript, packaged, firmware, and browser targets with REA, and build agent environments (AgentEnv bundles) of web applications from a live instance or a capture, and of Linux desktop apps with a task from a request. Use shipped-artifact or requested runtime evidence to explain features, compare versions, decompile code, or guide a reconstruction. Skip REA for ordinary source-repository architecture analysis. | Stars: 472k | Updated | Claude CodeCodex | Verified | Install |
| diagnosing-superpowersobra/superpowersUse when a superpowers session went wrong and your human partner wants to know why — repeated work, ignored plans, stumbles, poor results, a skill that didn't fire, "it took too long", "why is it so expensive", "what is it doing" — or wants to build a bug report for the superpowers maintainers, for the current session or a past one identified by id or path, on any harness. | Stars: 322k | Updated | Claude CodeCodex | Verified | Install |
| dispatching-parallel-agentsobra/superpowersUse when facing 2+ independent tasks that can be worked on without shared state or sequential dependencies | Stars: 322k | Updated | Claude CodeCodex | Verified | Install |
| executing-plansobra/superpowersUse when executing an implementation plan in the current session as the implementer yourself — your human partner chose inline execution, or no subagent tool is available | Stars: 322k | Updated | Claude CodeCodex | Verified | Install |