个股消息面催化分析 Skill

围绕"舆情 + 公告 + 研报"三类信息源，先做结构化抓取与噪音过滤，再利用公告分类标签（columns）和研报评级/EPS 字段做信源分级，最后按影响方向、信源可靠度、时间衰减进行排序打分，输出可执行的消息面汇报。

Overview（功能概述）

该 Skill 使用 daxiapi-cli 的 news 命令快速获取个股消息面信息。核心改进点：

• 噪音前置过滤：舆情数据中约 80% 是自动生成的盘中行情播报、融资数据播报、无关市场新闻，必须先过滤再分析
• 公告 columns 字段分类：API 返回的 columns 字段已给出公告分类（业绩快报、诉讼仲裁、权益变动等），直接用于重要性判断，比标题关键词更可靠
• 研报 rating + EPS 字段：API 返回评级（买入/增持/中性/持有）和 EPS 预测，评级变化和 EPS 趋势是最硬的机构信号

When to Use（何时使用）

当用户需要以下能力时触发：

• 分析某只股票近期消息面是利好还是利空
• 汇总舆情、公告、研报并进行优先级排序
• 对新闻真伪做交叉验证（官方信源优先）
• 输出结构化消息面跟踪报告

具体触发词：个股舆情、公告解读、研报解读、消息面分析、新闻催化、利好利空、新闻评分

When Not to Use（何时不使用）

以下场景不应使用本 Skill：

• 用户未提供股票代码且无法确认标的
• 非A股标的（美股、港股、基金、期货、加密资产）
• 仅要求技术指标教学（如"MACD是什么"）
• 仅要求财务深度分析（应优先路由到 xiapi-financial-roe-analysis）

Process（流程主体）

Step 0: 前期准备（Token 与标的确认）

跳过条件：Token 已配置且有效，且标的代码已明确

npx daxiapi-cli@latest config get token

如未配置：

npx daxiapi-cli@latest config set token YOUR_TOKEN_FROM_DAXIAPI

如需查找代码：

npx daxiapi-cli@latest search <公司名>

Step 1: 获取三类数据

# 舆情（无翻页参数，pageSize 最大建议 30）
npx daxiapi-cli@latest news sentiment -c <code> -p 30

# 公告（支持翻页，重点看第1页最新公告）
npx daxiapi-cli@latest news notice -c <code> -p 20 -i 1

# 研报（-b 指定开始日期，建议取近 90 天；-e 默认今日）
npx daxiapi-cli@latest news report -c <code> -p 25 -i 1 -b <90天前日期> -e <今日日期>

注意：news sentiment 没有 -i 翻页参数，只能通过 -p 控制条数。

数据字段说明：

sentiment 返回：title（标题）、showTime（发布时间）、url（链接）

notice 返回：title（标题）、noticeDate（公告日期）、columns（公告分类标签，如"业绩快报"、"诉讼仲裁"、"权益变动报告书"）、url（链接）

report 返回：title（标题）、publishDate（发布日期）、orgName（机构名）、rating（评级：买入/增持/中性/持有）、predictThisYearEps（本年EPS预测）、predictNextYearEps（明年EPS预测）、url（链接）

Step 2: 噪音过滤（必须先于评分执行）

舆情数据中存在大量低信息量的自动生成内容，必须在评分前过滤掉，否则会严重干扰结论。

需要过滤的三类噪音：

过滤后，统计有效舆情条数（用于报告中说明信噪比）。

Step 3: 公告分类与重要性判断

利用 notice 返回的 columns 字段直接判断公告重要性，无需依赖标题关键词。

公告重要性分级（基于 columns 标签）：

重点分析 ⭐⭐⭐ 和 ⭐⭐ 级公告，⭐ 级公告可简要列出或跳过。

Step 4: 研报评级与 EPS 趋势分析

研报数据包含机构最硬的量化信号，需单独分析：

4.1 评级分布统计

统计近期研报的评级分布（买入/增持/中性/持有/卖出），计算多空比。

4.2 评级变化识别

对比同一机构前后两份研报的评级变化：

• 上调（如中性→买入）：正向催化信号
• 下调（如买入→中性）：负向压制信号
• 维持：中性，关注逻辑是否变化

4.3 EPS 预测趋势

对比不同时间点研报的 predictThisYearEps 和 predictNextYearEps：

• EPS 预测持续上调：机构一致预期改善，正向信号
• EPS 预测持续下调：盈利预期恶化，负向信号
• 预测分歧大（不同机构差异超过 50%）：不确定性高，需注意

Step 5: 有效舆情的情绪方向识别

仅对过滤后的有效舆情做情绪判断，使用中文关键词：

正向词（利好信号）：

• 业绩：超预期、业绩增长、净利润增加、营收创新高、扭亏为盈
• 业务：中标、签约、获批、新产品、新客户、战略合作、产能扩张
• 机构：上调评级、目标价上调、买入、强烈推荐
• 市场：市占率提升、国产替代、行业景气

负向词（利空信号）：

• 业绩：业绩下滑、亏损、净利润下降、营收不及预期、商誉减值
• 业务：失标、合同终止、产品召回、监管处罚、被起诉
• 机构：下调评级、目标价下调、中性、卖出
• 市场：行业下行、竞争加剧、价格战、需求疲软

规则：

• 仅作"辅助信号"，不得单独作为结论依据
• 若关键词信号与公告/研报冲突，以公告/研报为准

Step 6: 影响评分模型（0-100）

对每条有效事件按三维打分后加权：

方向分 Direction（-1/0/+1）：负向=-1，中性=0，正向=+1

信源分 Source（0-100）：

时效分 Recency（0-100）：

事件最终分（带方向）：

eventScore = Direction × (0.45 × Source + 0.55 × Recency)

股票综合消息分：

stockNewsScore = clamp(50 + sum(eventScore_i), 0, 100)

Step 7: 排序与去重

• 相同事件多来源重复时，仅保留"最高信源等级 + 最新时间"版本
• 按 |eventScore| 从高到低排序（先看影响强度，再看方向）
• 至少保留前 5 条高影响事件（若数据不足则如实说明）

Step 8: 汇总报告

按照 assets/report-template.md 生成结构化输出。

报告包含以下章节：

1. 核心结论：综合评分 + 一句话判断
2. 数据概况：三类数据条数、噪音过滤情况、信噪比
3. 研报机构观点：评级分布、评级变化、EPS 预测趋势
4. 重要公告：按 columns 分级列出 ⭐⭐⭐/⭐⭐ 级公告
5. 有效舆情：过滤后的高影响事件清单（含评分）
6. 后续跟踪：未来 1-2 周需关注的触发条件
7. 风险提示 + 免责声明

Report Template（报告模板）

完整报告模板见：assets/report-template.md

Quality Checks（质量检查）

Red Flags（危险信号）

Verification（验证要求）

• 是否执行了噪音过滤，并在报告中说明过滤前后条数
• 是否利用 notice.columns 字段对公告做了分级
• 是否提取了 report.rating 和 EPS 字段，分析了评级变化和 EPS 趋势
• 情绪关键词是否使用中文
• 评分过程是否可追溯（方向/信源/时效）
• 结论与证据一致，无绝对化表达
• 包含风险提示与免责声明

Common Pitfalls（常见陷阱）

Gotchas（避坑案例）

• sentiment 无翻页：news sentiment 没有 -i 参数，不要在命令中加 -i，否则报错
• report -b 默认值：-b 默认是当年 1 月 1 日，不是近 90 天，需手动计算并传入 90 天前的日期
• 401 认证失败：执行 npx daxiapi-cli@latest config get token 检查；若为空，执行 npx daxiapi-cli@latest config set token YOUR_TOKEN 重新配置
• 空数据返回：可能是非交易日或该股近期无研报，缩短时间区间或降低 pageSize
• 429 请求频率超限：等待 30-60 秒后重试

Key Principles（重要原则）

1. 噪音过滤优先：舆情数据 80% 是噪音，不过滤直接分析会得出错误结论
2. columns 字段是公告分类的第一依据：比标题关键词更准确、更稳定
3. 研报 rating + EPS 是最硬的机构信号：评级变化和 EPS 趋势优先于舆情情绪
4. 官方信源优先于媒体转述：公告 > 研报 > 主流媒体 > 自媒体
5. 时效性优先于历史噪音：30 天以上的事件时效分仅 15，权重极低
6. 结论必须可解释、可追溯：每条结论都要能指向具体的数据来源

Error Handling（错误处理）

References

详细文档请参考：

• 报告模板