Stockbee 式 20% 异动研究
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @org-eyw2ohcx/tradermonty-claude-trading-skills-stockbee-20pct-study。
技能介绍
要解决什么问题
美股里单日或短窗内 ±20% 的标的往往不是「随便波动」:背后可能有财报、并购传闻、板块主题,也可能是流动性枯竭后的反抽或失败突破。若只靠屏幕扫盘,很难把「当天谁动了」变成 可回溯、可对照远期结果 的研究样本。
本技能面向 Stockbee 式日度 20% 异动研究:扫描大波动股票,落成结构化事件记录,尽量归类 催化剂(catalyst) 与 图表语境(chart context),并在足够多的后续 K 线出现后更新 1/3/5/10/20 日 等远期结局指标(收益、MFE/MAE、延续或反转标签)。最后用队列统计与 edge_hints 把重复出现的模式整理出来,供下游策略研究引用——不生成买卖信号,也不提供券商下单指令。
技能如何工作
典型流程与 SKILL.md 一致,可概括为五步:
- 扫描 20% 异动:美股收盘后运行,或对离线 OHLCV(
--prices-json)做最新完整日 K 扫描;也可用 FMP API 扫全美股票池。 - enrich 与分类:有结构化新闻/催化剂 JSON 时做增强;找不到新闻时仍保留 价格型、NOCLEARNEWS 记录。
- 更新成熟远期结果:未来 K 线足够后写入收盘价收益、MFE/MAE、方向调整后的延续收益及结局标签。
- 队列汇总:输出
rule_candidates与 edge hints,但文档明确要求:改交易规则前需做代表性走势图复核、样本量门槛与样本外验证。 - 历史回填:默认标记 CURRENTUNIVERSEBACKFILLSURVIVORSHIPBIAS;仅当 OHLCV 含退市标的与完整历史股票池时再加
--survivorship-complete。
持久化状态推荐路径:state/stockbee/20pct_study_events.jsonl,作为 20% 异动 model book。
边界与前提
- 需要 Python 3.9+;实盘扫描需 FMP API key,或完全走离线价格 JSON。
- 可选新闻 JSON 提升催化剂分类质量;可与 market-regime-daily 的市场状态产物配合使用。
- 回填与幸存者偏差:默认假设当前股票池回填,不宜直接当无偏全史样本使用。
- 产出含 JSON/Markdown/YAML 报告与 cohort 统计——把它们当 研究笔记与假设清单,而非可直接执行的策略。
使用场景
- 美股收盘后需要列出当日涨跌幅达±20%的标的,并写入可追加的 JSONL 模型手册
- 想按本周或自定义回看窗口批量扫描大波动股,再对照新闻 JSON 做催化剂标注
- 大波动事件发生后,需在 1/3/5/10/20 日数据齐备时自动回填 MFE、MAE 与延续/反转标签
- 要从历史 OHLCV 回填多年±20%异动,并明确是否处理了退市与幸存者偏差
适合人员
- 自主研究盘前异动模式的个人交易者,需要把大波动日整理成带远期结果的样本库
- 量化研究员要维护 explosive winner / major failure 类 model book,而非直接接下单系统
- 带 FMP 或离线日 K 的数据工程师,负责每日跑 scan-enrich-update 流水线并落盘报告
- 策略组新人想从 cohort 统计与 edge_hints 提炼假设,并接受样本外验证后再改规则