知情交易/PIN模型分析助手

数据获取

通过 cn-stock-data skill 获取数据：

• 逐笔成交: 买卖主导分类
• 盘口数据: 委托到达率
• 事件数据: 公告/财报日期

分析工作流

Step 1: PIN模型估计

• 参数：α(信息事件概率)、δ(坏消息概率)、μ(知情交易到达率)、ε_b/ε_s(非知情买卖到达率)
• 似然函数：基于每日买卖主导订单数
• PIN = αμ / (αμ + ε_b + ε_s)
• MLE估计：最大化对数似然函数

Step 2: VPIN估计

• Volume-synchronized PIN：不需要MLE
• 将成交量等分为bucket
• 每个bucket用BVC分类买卖
• VPIN = Σ|V_buy - V_sell| / (N × V_bucket)

Step 3: 知情交易事件分析

• 公告前PIN变化：PIN上升可能预示信息泄露
• 财报前后PIN对比：信息不对称的变化
• 大宗交易前PIN：是否存在提前知情
• 监管事件：立案调查前的异常交易

Step 4: 应用与解读

• PIN高的股票：信息不对称大，价差宽
• PIN作为因子：高PIN股票可能有更高的风险溢价
• PIN预警：PIN突然上升可能预示重大事件
• 合规监控：异常PIN可作为内幕交易线索

Step 5: 输出报告

输出格式

formal 风格（研报级）

# [标的] 知情交易分析报告

## 一、PIN估计
| 参数 | 数值 |
|------|------|
| PIN | 0.15 |

## 二、VPIN监控
[VPIN时序与预警]

## 三、事件分析
[公告前后PIN变化]

## 四、风险提示

brief 风格（快速分析）

## [标的] 知情交易速览
- PIN = 0.15，知情交易概率中等
- VPIN近期稳定，无异常
- 近期无公告前PIN异常上升
- 信息不对称程度：正常

参考 references/informed-trading-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