a-share-optimal-execution

A股最优执行/Almgren-Chriss模型。当用户说"最优执行"、"optimal execution"、"Almgren-Chriss"、"执行优化"、"最优拆单"、"execution frontier"时触发。基于 cn-stock-data 获取数据，求解最优执行策略。支持 formal/brief 两种输出风格。

105 stars

byaifinlab

View on GitHub Installation ↓

Best use case

a-share-optimal-execution is best used when you need a repeatable AI agent workflow instead of a one-off prompt.

Teams using a-share-optimal-execution should expect a more consistent output, faster repeated execution, less prompt rewriting.

When to use this skill

You want a reusable workflow that can be run more than once with consistent structure.

When not to use this skill

You only need a quick one-off answer and do not need a reusable workflow.
You cannot install or maintain the underlying files, dependencies, or repository context.

Installation

Claude Code / Cursor / Codex

$curl -o ~/.claude/skills/a-share-optimal-execution/SKILL.md --create-dirs "https://raw.githubusercontent.com/aifinlab/FinClaw/main/skills/a-share-optimal-execution/SKILL.md"

Manual Installation

Download SKILL.md from GitHub
Place it in .claude/skills/a-share-optimal-execution/SKILL.md inside your project
Restart your AI agent — it will auto-discover the skill

How a-share-optimal-execution Compares

Feature / Agent	a-share-optimal-execution	Standard Approach
Platform Support	Not specified	Limited / Varies
Context Awareness	High	Baseline
Installation Complexity	Unknown	N/A

Frequently Asked Questions

What does this skill do?

Where can I find the source code?

You can find the source code on GitHub using the link provided at the top of the page.

SKILL.md Source

# 最优执行/Almgren-Chriss模型助手

## 数据获取

通过 cn-stock-data skill 获取数据：
- **历史数据**: 日均成交量/波动率
- **冲击参数**: 临时/永久冲击系数
- **订单信息**: 总量/方向/紧急度

## 分析工作流

### Step 1: 模型参数估计
- 永久冲击系数 γ：订单流对价格的永久影响
- 临时冲击系数 η：执行速度对价格的临时影响
- 波动率 σ：标的价格的日波动率
- 风险厌恶系数 λ：投资者对执行风险的厌恶程度

### Step 2: 最优执行策略求解
- 目标函数：最小化 E[成本] + λ × Var[成本]
- Almgren-Chriss解：指数衰减的执行速度曲线
- 风险厌恶高→执行更快(减少风险但增加冲击)
- 风险厌恶低→执行更慢(减少冲击但增加风险)

### Step 3: 执行前沿(Efficient Frontier)
- E[成本] vs Var[成本] 的权衡曲线
- 不同风险厌恶下的最优策略点
- 与TWAP/VWAP的对比：AC通常更优
- 约束条件：参与率上限/执行窗口限制

### Step 4: 实施与监控
- 将最优轨迹转化为分时段目标量
- 实时偏差监控：实际vs计划执行量
- 自适应调整：市场条件变化时重新优化
- 事后评估：实际成本vs模型预测

### Step 5: 输出报告

## 输出格式

### formal 风格（研报级）
```
# 最优执行方案报告

## 一、参数估计
| 参数 | 数值 |
|------|------|

## 二、最优策略
[执行轨迹、分时段目标]

## 三、执行前沿
[E[成本] vs Var[成本]]

## 四、实施建议
```

### brief 风格（快速分析）
```
## 最优执行速览
- AC模型，风险厌恶λ=1e-6
- 最优策略：前重后轻，60%在前半段完成
- 预期成本 0.10%，风险(std) 0.05%
- 优于TWAP约15%
```

参考 `references/optimal-execution-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

```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
```

Related Skills

tushare-pro

105

from aifinlab/FinClaw

专业财务数据Skill - 提供A股基本面、三大财务报表（资产/利润/现金）、股东数据、日线行情 via Tushare Pro

ashare-data

105

from aifinlab/FinClaw

Ashare 最轻量 A 股行情获取工具（3.2k Stars），基于新浪+腾讯双核心数据源，零依赖（仅需 requests+pandas），无需注册，支持日/周/月线及 1m/5m/15m/30m/60m 分钟级K线。当用户需要快速获取 A 股/指数行情而其他数据源不可用时，Ashare 是最可靠的回退方案——它使用新浪为主、腾讯为备的双核心架构，自动切换，极少出错。

investment-advisory-hk-share

105

from aifinlab/FinClaw

投顾问答助手 - 港股版，专用于港股市场相关的客户咨询答复。以下情况请主动触发此技能： - 客户问港股个股（"腾讯控股怎么样""阿里健康能买吗"） - 客户问港股与 A 股差异（"为什么同一家公司港股便宜""AH 股溢价"） - 客户问港股交易规则（"港股通是什么""港币汇率影响""交易时间"） - 客户问港股特色板块（"互联网平台""生物医药""内房股"） - 客户问国际因素影响（"美联储加息""美元走势""中美关系"） - 客户问港股流动性问题（"为什么成交量这么低""仙股"）不要等用户明确说"港股投顾"——只要涉及港股个股、规则、市场特点的咨询，就应主动启动此技能。

investment-advisory-a-share

105

from aifinlab/FinClaw

投顾问答助手-A 股版，专用于 A 股市场相关的客户咨询答复。以下情况请主动触发此技能： - 客户问 A 股个股问题（"XX 股票能买吗""为什么跌停""限售股解禁"） - 客户问 A 股板块/主题（"新能源还能拿吗""AI 板块怎么看""中特估是什么"） - 客户问 A 股交易规则（"涨停板多少""T+1 是什么意思""北向资金"） - 客户问 A 股政策影响（"注册制影响""减持新规""印花税调整"） - 客户问 A 股财报/公告解读（"业绩预告超预期吗""这个公告是利好吗"） - 用户需要 A 股特色的答复话术（涉及政策敏感性、市场情绪、资金面分析）不要等用户明确说"A 股投顾"——只要涉及 A 股个股、板块、政策、交易规则的咨询，就应主动启动此技能。