etf-premium

ETF 溢价/折价分析技能

如果宿主尚未执行以下 shell 探测（例如在 Codex 中），请在选择设置路径前，使用其 shell 工具运行 ! 包裹的命令。请使用实际输出；如果无法访问 shell，请说明这一限制。

使用 yfinance 从 Yahoo Finance 获取数据，计算 ETF 市场价格相对于其净资产价值（NAV）的溢价或折价。

为何重要： ETF 的市场价格可能偏离其底层持仓的价值（NAV）。溢价买入意味着相对于资产价值多付了钱；折价买入则意味着买到了便宜货。对于流动性强的美国股票 ETF，这种偏离通常很小，但对于债券 ETF、国际 ETF、杠杆/反向产品和加密货币 ETF，偏离可能很显著，尤其是在市场承压期间。

重要提示：仅供研究和教育用途，不构成财务建议。yfinance 与 Yahoo, Inc. 无关联。

---

步骤 1：确保依赖项可用

当前环境状态：

!`python3 -c "exec('try:\n import yfinance, pandas, numpy\n print(f\'yfinance={yfinance.__version__} pandas={pandas.__version__} numpy={numpy.__version__}\')\nexcept Exception:\n print(\'DEPS_MISSING\')')"`

如果为 DEPS_MISSING，请安装所需软件包：

import subprocess, sys
subprocess.check_call([sys.executable, "-m", "pip", "install", "-q", "yfinance", "pandas", "numpy"])

如果已安装，请跳过并继续。

---

步骤 2：选择正确的子技能

对用户的请求进行分类，并跳转到相应部分。如果用户只是笼统询问某只 ETF 的溢价或折价，没有指定具体分析类型，则默认使用 子技能 A：单只 ETF 快照。

用户请求	跳转到	示例
单只 ETF 的溢价/折价	子技能 A：单只 ETF 快照	“SPY 是否处于溢价？”、“AGG 相对 NAV 的溢价”、“BITO 溢价”
比较多只 ETF	子技能 B：多只 ETF 比较	“比较债券 ETF 的折价”、“IBIT 还是 BITO 的溢价更高”、“按溢价对这些 ETF 排名”
筛选器 / 查找极端溢价	子技能 C：溢价筛选器	“哪些 ETF 的折价最大”、“查找交易价格低于 NAV 的 ETF”、“溢价筛选器”
包含背景信息的深入分析	子技能 D：溢价深入分析	“HYG 为何处于折价”、“ARKK 的溢价是否正常”、“结合背景分析 ETF 溢价”
溢价突然飙升 / gamma squeeze	子技能 E：溢价飙升分解	“KWEB 今天为何上涨 13%”、“这只 ETF 的上涨是否由 gamma 驱动”、“分解今天的 ETF 行情”、“SOXL 的做市商 GEX”、“溢价还要多久才会收敛”

默认值

参数	默认值
数据源	yfinance navPrice 字段
价格字段	regularMarketPrice（回退至 previousClose）
筛选器范围	按类别划分的常见 ETF 列表（见子技能 C）

---

子技能 A：单只 ETF 快照

目标：展示一只 ETF 当前的溢价/折价，并说明其通常水平，同时与同类 ETF 比较，展示其相对表现。

A1：获取并计算

import yfinance as yf

# Peer groups by category — used to automatically compare the target ETF against its closest peers
CATEGORY_PEERS = {
    "Digital Assets": ["IBIT", "BITO", "FBTC", "ETHA", "ARKB", "GBTC"],
    "Intermediate Core Bond": ["AGG", "BND", "SCHZ"],
    "High Yield Bond": ["HYG", "JNK", "USHY"],
    "Long Government": ["TLT", "VGLT", "SPTL"],
    "Emerging Markets Bond": ["EMB", "VWOB", "PCY"],
    "Large Growth": ["QQQ", "VUG", "IWF", "SCHG"],
    "Large Blend": ["SPY", "VOO", "IVV", "VTI"],
    "Commodities Focused": ["GLD", "IAU", "SLV", "DBC"],
    "China Region": ["KWEB", "FXI", "MCHI"],
    "Trading--Leveraged Equity": ["TQQQ", "UPRO", "SOXL", "JNUG"],
    "Trading--Inverse Equity": ["SQQQ", "SPXU", "SOXS", "JDST"],
    "Derivative Income": ["JEPI", "JEPQ", "QYLD"],
    "Large Value": ["SCHD", "VYM", "DVY", "HDV"],
}

def etf_premium_snapshot(ticker_symbol):
    ticker = yf.Ticker(ticker_symbol)
    info = ticker.info

    # Verify this is an ETF
    quote_type = info.get("quoteType", "")
    if quote_type != "ETF":
        return {"error": f"{ticker_symbol} is not an ETF (quoteType={quote_type})"}

    price = info.get("regularMarketPrice") or info.get("previousClose")
    nav = info.get("navPrice")

    if not price or not nav or nav <= 0:
        return {"error": f"NAV data not available for {ticker_symbol}"}

    premium_pct = (price - nav) / nav * 100
    premium_dollar = price - nav

    # Additional context
    result = {
        "ticker": ticker_symbol,
        "name": info.get("longName") or info.get("shortName", ""),
        "market_price": round(price, 4),
        "nav": round(nav, 4),
        "premium_discount_pct": round(premium_pct, 4),
        "premium_discount_dollar": round(premium_dollar, 4),
        "status": "PREMIUM" if premium_pct > 0 else "DISCOUNT" if premium_pct < 0 else "AT NAV",
        "category": info.get("category", "N/A"),
        "fund_family": info.get("fundFamily", "N/A"),
        "total_assets": info.get("totalAssets"),
        "net_expense_ratio": info.get("netExpenseRatio"),
        "avg_volume": info.get("averageVolume"),
        "bid": info.get("bid"),
        "ask": info.get("ask"),
        "yield_pct": info.get("yield"),
        "ytd_return": info.get("ytdReturn"),
    }

    # Bid-ask spread as context for whether the premium is meaningful
    bid = info.get("bid")
    ask = info.get("ask")
    if bid and ask and bid > 0:
        spread_pct = (ask - bid) / ((ask + bid) / 2) * 100
        result["bid_ask_spread_pct"] = round(spread_pct, 4)

    return result

A2：获取同类 ETF 对比数据

计算目标 ETF 的快照后，查找其 category，并获取同一类别中同类 ETF 的溢价数据。这能让用户立即了解该溢价是 ETF 特有的，还是整个市场普遍存在的。

使用目标 ETF 的 category 选择 CATEGORY_PEERS，移除目标 ETF，并对每只同类 ETF 执行相同的价格/NAV 计算。跳过无法获取 NAV 的行，但要报告请求和返回的同类 ETF 数量，以便用户了解数据缺失情况。

在主要快照之后，以小表格展示同类 ETF 对比。这有助于用户判断溢价是该 ETF 独有的，还是整个类别都存在的——例如，如果所有加密货币 ETF 的溢价都约为 1.5%，那么用户关注的 ETF 就不是异常值。

A3：解读结果

使用此框架说明溢价／折价是否具有意义：

溢价／折价	解读
在 +/- 0.05% 以内	基本处于 NAV 水平——大型、高流动性 ETF 的正常情况
+/- 0.05% 至 0.25%	轻微偏差——很常见，通常无需采取行动
+/- 0.25% 至 1.0%	值得注意——值得提及。检查买卖价差和类别
+/- 1.0% 至 3.0%	显著偏差——流动性较低、国际型或特色 ETF 中很常见
超过 +/- 3.0%	偏差较大——可能表明市场承压、流动性不足或存在结构性问题

类别不同，背景也不同：

• 美国大盘股（SPY、QQQ、IVV）：溢价 > 0.10% 并不常见
• 债券 ETF（AGG、HYG、LQD、TLT）：波动期间出现 0.5-2% 的折价并不少见
• 国际／新兴市场（EEM、VWO、KWEB）：时区不匹配会导致经常出现 0.3-1% 的偏差
• 杠杆／反向（TQQQ、SQQQ、JNUG）：由于每日重置机制，0.3-1.5% 属于正常范围
• 加密货币（IBIT、BITO）：1-3% 的溢价很常见，尤其是较新的基金
• 大宗商品（GLD、USO、UNG）：取决于期货的正价差／逆价差

还要将溢价／折价与买卖价差进行比较：如果溢价小于价差，那只是噪声，而不是信号。

---

子技能 B：多只 ETF 对比

目标：并排比较多只 ETF 的溢价／折价。

B1：获取数据并排名

import yfinance as yf
import pandas as pd

def compare_etf_premiums(tickers):
    rows = []
    for sym in tickers:
        try:
            t = yf.Ticker(sym)
            info = t.info
            if info.get("quoteType") != "ETF":
                rows.append({"ticker": sym, "error": "Not an ETF"})
                continue
            price = info.get("regularMarketPrice") or info.get("previousClose")
            nav = info.get("navPrice")
            if price and nav and nav > 0:
                prem = (price - nav) / nav * 100
                bid = info.get("bid", 0)
                ask = info.get("ask", 0)
                spread = (ask - bid) / ((ask + bid) / 2) * 100 if bid and ask and bid > 0 else None
                rows.append({
                    "ticker": sym,
                    "name": info.get("shortName", ""),
                    "price": round(price, 2),
                    "nav": round(nav, 2),
                    "premium_pct": round(prem, 4),
                    "spread_pct": round(spread, 4) if spread else None,
                    "category": info.get("category", "N/A"),
                    "total_assets": info.get("totalAssets"),
                })
            else:
                rows.append({"ticker": sym, "error": "NAV unavailable"})
        except Exception as e:
            rows.append({"ticker": sym, "error": str(e)})

    df = pd.DataFrame(rows)
    if "premium_pct" in df.columns:
        df = df.sort_values("premium_pct", ascending=True)
    return df

B2：以排名表格呈现

按溢价／折价排序（折价最大的排在最前）。突出显示：

• 折价最大的 ETF
• 溢价最高的 ETF
• 溢价／折价是否超过买卖价差（若没有超过，则属于市场微观结构噪声）

---

子技能 C：溢价筛选器

目标：扫描常见 ETF 范围，找出溢价或折价最大的 ETF。

C1：定义范围并扫描

使用 references/etf_premium_reference.md 中按类别整理的范围，或使用用户自己的列表。对每个代码应用子技能 A 的计算，保留类别标签，按用户要求的绝对溢价阈值筛选，并从折价最大到溢价最高排序。将失败或缺少 NAV 的数量明确显示出来，不要默默将其视为零。

C2：呈现结果

显示按溢价排序的排名表格（折价最大的排在最前）。如果列表较长，则按类别分组。指出：

• 折价最大的前 5 只——可能存在买入机会（也可能是市场承压的迹象）
• 溢价最高的前 5 只——存在支付过高价格的风险
• 类别模式——债券 ETF 是否都处于折价？加密货币 ETF 是否都处于溢价？

提醒用户，扫描范围较大时可能需要 1-2 分钟。

---

子技能 D：溢价深入分析

目标：结合溢价／折价数据和其他背景信息，帮助用户理解溢价存在的原因以及它是否可能持续。

D1：收集全面数据

运行子技能 A 的快照，然后获取三个月的每日历史数据并添加：

• 年化波动率：std(daily returns) * sqrt(252)
• 平均每日美元成交额：mean(close * volume)
• 距离三个月收盘价高点的百分比
• 资产管理规模、费用率、收益率、年初至今回报率和三年 Beta
• 买卖价差百分比，以及绝对溢价是否超过该价差

无法获取的字段保留为 null，不要编造数值。为价格和 NAV 输入添加时间戳，让用户判断二者是否同步。

D2：解释原因

收集数据后，使用以下诊断框架解释溢价／折价：

溢价的常见原因：

• 需求激增 — 买家多于授权参与者所能创建的份额（加密货币等新推出或热门 ETF 常见此情况）
• 时区不匹配 — 国际 ETF 交易时，标的市场已休市；价格反映了对后续走势的预期
• 创建机制受阻 — 授权参与者在创建新份额时受到限制
• 情绪溢价 — 热潮周期中，散户需求推动价格高于公允价值

折价的常见原因：

• 流动性压力 — 抛售期间，债券和信贷 ETF 往往以折价交易，因为标的债券比 ETF 本身更难定价／交易
• 赎回压力 — 资金大量流出，但授权参与者响应缓慢
• NAV 滞后 — 官方 NAV 可能未反映盘后新闻或事件
• 结构性问题 — 基于期货的 ETF（USO、UNG）处于期货升水状态时，会持续受到拖累

溢价可能持续多久？

• 对于流动性较强的美国股票 ETF：不会持续 — 套利会在几分钟内修正偏差
• 对于压力时期的债券 ETF：折价可能持续数天或数周
• 对于加密货币 ETF：随着基金成熟且授权参与者更加活跃，溢价往往会收窄
• 对于国际 ETF：随着标的市场开市，每日重新调整

---

子技能 E：溢价激增拆解（Gamma 挤压分析）

目标：当 ETF 日内刚经历大幅波动，且走势偏离其标的持仓时，将这段波动拆解为（1）由 NAV 驱动的基本面部分，以及（2）由结构性力量驱动的“超额溢价”部分 — 通常最常见的因素是期权交易商的 gamma 对冲、AP 套利机制失效或情绪激增。然后评估溢价可能需要多久才能回归。

用户报告或询问以下情况时，适用此子技能：

• ETF 在单个交易时段内涨跌 5% 以上
• ETF 与其标明的标的资产走势出现背离（例如，“MSTR 涨了 13%，但 BTC 只涨了 3%”）
• 怀疑 ETF 或单只证券出现 gamma 挤压
• 询问交易商对冲是否正在放大走势

运行 E2 前，请阅读 references/gamma_squeeze_reference.md，了解完整的 GEX 公式推导、交易商持仓约定和演算示例。

E1：将今日走势拆解为 NAV 驱动部分与超额溢价

静态的 navPrice 字段仅提供最近一个交易日收盘时的 NAV。根据当前持仓权重及持仓在同一交易时段内的回报，估算今日 NAV 回报，并按已覆盖权重进行标准化，然后计算：

NAV proxy return = sum(weight_i x return_i) / covered weight
Excess premium return = ETF return - NAV proxy return

报告持仓覆盖率和所用的各持仓回报。如果 funds_data.top_holdings 不完整，优先使用发行方公布的持仓数据或用户提供的权重。

注意：对于标的资产在交易时段内休市的国际 ETF（例如美国交易时段内亚洲持仓的市场已休市），必须使用这些持仓在美国上市的代理证券（ADR）或期货。如果两者都不可用，请告知用户 — NAV 代理值将会滞后。

E2：根据期权链计算做市商伽马敞口（GEX）

GEX 用于近似衡量标的资产每变动 1% 时做市商对冲的敏感度。阅读 references/gamma_squeeze_reference.md 中的公式和两种持仓约定，根据当前现货价格、行权价、到期时间、无风险利率和 IV 计算合约伽马，然后汇总期权链中各合约的 OI x gamma x spot^2。

返回看涨 GEX、看跌 GEX、SqueezeMetrics 风格的净 GEX、总对冲压力、看涨/看跌 OI 比率、中位数近 ATM IV、分析的到期日，以及 GEX 集中度最高的行权价和到期日。明确说明符号约定；仅凭公开 OI 不要推断实际做市商持仓。

解读输出：

• net_gex_squeezemetrics_$ 高度为负 → 做市商做空伽马；上涨时，他们的对冲买入会放大涨势。这是典型的伽马挤压助燃因素。
• 集中在单个近月行权价（例如，下个月的看涨期权 OI 大量集中于一个行权价）→ 挤压脆弱且集中。当该行权价到期或现货价格越过该行权价时，伽马会迅速衰减。
• ATM IV 显著高于近期均值（例如，78%，而通常为 30–40%）→ 市场预计大幅波动仍将持续；单是期权溢价衰减，在数日内就会带来一定的回归压力。
• 看涨/看跌 OI 比率 > 2.5 → 持仓偏向看涨，与看涨伽马挤压的情形一致。

E3：比较结构性买入压力与实际成交量

用以下公式估算做市商份额的上限：

Implied dealer-driven dollars = abs(GEX per 1% move) x abs(ETF return in percentage points)
Dealer share of volume = implied dealer-driven dollars / (close x volume)

这只是粗略估算——假设每份合约的全部伽马都在价格变动期间沿单一方向进行了对冲。实际对冲是渐进的，而且并非所有做市商的对冲方式都相同。应将其视为上限启发式估算，而非精确数值。务必同时说明所依据的假设。

E4：评估溢价回归时间线

回归分为三个时间尺度（详情参见 references/gamma_squeeze_reference.md 中的 Convergence Timeline 部分）：

时间尺度	机制	检查事项
数小时	AP 创建/赎回套利	标的市场是否开市？创建份额单位是否受限？买卖价差是否扩大（表明 AP 正在退场）？
数日	期权到期 / 伽马衰减	主导行权价的期权何时到期？OI 是展期至更远的到期日，还是正在平仓？IV 是否开始收缩？
数周	净资金流归一化	ETF 是否持续有大量每日资金流入（表明需求超过创建能力）？空头持仓是否增加（可能提供额外的挤压助燃因素）？

对于数小时视角，记录标的市场是否开市，以及创建/赎回是否受限。对于数日视角，计算最大伽马集中度对应期权的到期日还剩多少天，并检查 IV 和 OI 是在衰减还是展期。对于数周视角，在有数据时使用发行方的资金流/创建数据；仅凭 AUM 只能作为粗略的替代指标。

E5：呈现分解结果

按以下顺序组织答案：

1. 核心数字：ETF 今日涨跌幅、NAV 代理值的涨跌幅，以及超额溢价（以百分点计）。

2. 分解表格：

   组成部分	贡献
   NAV 驱动（持仓 × 权重）	+X.X%
   超额溢价（残差）	+Y.Y%
   ETF 总涨跌幅	+Z.Z%

3. 做市商对冲量化：

   • 净 GEX（SqueezeMetrics 约定）
   • 推算的做市商当日美元买入额与实际美元成交额
   • 估算的做市商买入压力占比

4. 风险指标：ATM IV、看涨/看跌 OI 比率、按集中度排序前三的行权价/到期日。

5. 回归展望：列出数小时/数日/数周的各项机制，并说明每项机制当前的状态。

6. 注意事项：GEX 估算假设做市商持仓分布均匀；隔夜交易时段的 NAV 代理值会过时；这不是对未来价格的预测。

---

第 3 步：回复用户

始终包含

• ETF 名称和代码
• 市场价格和 NAV，并显示计算过程
• 明确标注溢价/折价百分比
• 背景：这种偏离对于该类 ETF 是否正常？

始终注明

• Yahoo Finance 的 NAV 数据反映的是最新官方 NAV（通常为前一交易日收盘时的数据），并非实时数据
• 市场价格可能因交易所而有 15 分钟延迟
• 溢价/折价可能在交易时段内迅速变化——这只是一个快照，并非实时数据流
• 小幅溢价/折价（小于买卖价差）属于市场微观结构噪声，并非真正的错误定价
• 不要仅根据溢价/折价建议买入或卖出——只呈现数据，由用户自行决定

格式

• 比较多个 ETF 时使用 Markdown 表格
• 显示公式：Premium/Discount = (Market Price - NAV) / NAV x 100
• 在正文中加粗突出显示关键数字：“交易价格为折价 0.45%”或“处于溢价 1.2%”
• 根据数值大小，将百分比四舍五入到小数点后 2–4 位

---

参考文件

• references/etf_premium_reference.md — 详细公式、按类别划分的基准、常见 ETF 列表，以及推动溢价形成的申购/赎回机制背景
• references/gamma_squeeze_reference.md — 溢价分解框架、Black-Scholes gamma + GEX 公式（包含 SqueezeMetrics 和客户净多头两种惯例）、收敛时间线框架（小时/天/周）、gamma squeeze 与常规上涨行情的诊断表，以及一个完整示例。运行 Sub-Skill E 之前请先阅读此文件。

阅读参考文件，深入了解 ETF 溢价/折价机制、历史背景及 gamma squeeze 分解方法。