企业官网建设流程全解析

Vibe-Trading 事件驱动策略实战指南：从情感打分到信号聚合的完整实现

【免费下载链接】Vibe-Trading"Vibe-Trading: Your Personal Trading Agent"项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-Trading

事件驱动（Event-Driven）是 Vibe-Trading 中一类以新闻、公告与宏观事件为数据源、由 LLM 充当 NLP 引擎的策略形态。本文将完整拆解仓库内agent/src/skills/event-driven/SKILL.md所定义的工作流、事件 CSV 数据规范、时间衰减与信号加权算法，并结合 示例信号引擎 与 RSSHub 事件提供器 的源码实现，为你呈现一条「数据采集 → LLM 打分 → CSV 落盘 → 信号聚合 → 回测接入」的端到端落地路径，读完即可在自己的策略中复现。

一、技能定位与整体架构

agent/src/skills/event-driven/SKILL.md的元信息将该技能归类为category: strategy，其核心思想是：把 LLM 当作 NLP 引擎来打分新闻事件，事件数据统一管理为 CSV，再将技术信号与事件信号做加权聚合，得到最终交易信号。

该文档强调一条贯穿全流程的关键原则：

事件 CSV 是数据层，signal_engine.py是逻辑层，两者必须保持解耦。

这一分层设计在仓库源码中得到了印证：事件侧的数据层由 rsshub_events.py 承担（负责抓取、归一化、打分、落列），逻辑层则由策略开发者自行实现的signal_engine类承担（文档同目录提供了完整范本 example_signal_engine.py）。数据层不关心策略逻辑，逻辑层不关心数据来源，二者通过统一的event_score列衔接。

二、四步工作流

文档定义的标准工作流如下：

1. 数据采集：使用read_url工具抓取新闻与公告全文；
2. LLM 分析：LLM 阅读新闻，用标准化提示词在-1.0到1.0区间打分（极度看空到极度看多）；
3. 生成事件 CSV：按date,event_type,score,source,summary五列 Schema 写入数据；
4. 信号聚合：signal_engine.py读取事件 CSV，施加时间衰减，并与技术信号合并。

其中read_url是 Agent 内置工具，其实现位于 web_reader_tool.py：它通过 Jina Reader（r.jina.ai）把目标 URL 转为 Markdown 文本，内置 30 秒超时、8000 字符截断，并对目标地址做了严格的安全过滤（拒绝localhost、私网 IP、带凭据的 URL 等），返回结果包含title、content、url字段。也就是说，Agent 抓取到的是已经清洗过的正文，可直接交给 LLM 打分，无需额外做网页解析。

三、事件 CSV Schema 与字段语义

事件数据统一落盘为 CSV，文档给出了可直接复制的示例：

date,event_type,score,source,summary 2024-01-15,earnings,0.8,read_url,Q4 revenue beat expectations by 30% 2024-01-20,macro,-0.5,read_url,Central bank raised rates by 25bp 2024-02-01,policy,0.3,read_url,New-energy subsidies extended 2024-02-10,sentiment,-0.7,read_url,Bearish sentiment surged on social media 2024-03-05,insider,0.4,read_url,CEO bought 5 million shares

五个字段的语义如下：

关于date的「可知日期」约定，仓库级实现给出了严格的落地方案：在 rsshub_events.py 中定义了收盘截断小时DEFAULT_CLOSE_CUTOFF_HOUR = 16，_knowable_date()函数（见第 264-278 行）会把当日 16 点及以后发布的条目滚动到下一个自然日，与技能文档「收盘后发布 → 使用下一交易日」的规则完全对齐。这正是回测避免未来函数（look-ahead bias）的第一道闸门。

四、事件类型体系与影响周期

文档按事件类型规定了各自的影响周期，这决定了时间衰减参数的调优方向：

从实现细节看，这一事件分类法也被 FeedSpec 数据结构继承——每个 RSSHub 订阅源在注册时必须声明自己产出的事件类型（event_type），从而在数据源头就完成事件分类，而非在策略层事后打标。

五、信号聚合：时间衰减与加权组合

5.1 事件信号的时间衰减

事件对价格的影响随天数呈指数衰减。文档给出的核心算法如下：

import numpy as np import pandas as pd def compute_event_signal(event_df: pd.DataFrame, dates: pd.DatetimeIndex, decay_lambda: float = 0.1, min_score_threshold: float = 0.2, event_lookback: int = 30) -> pd.Series: """Compute an event-driven signal with time decay.""" event_df = event_df[event_df["score"].abs() >= min_score_threshold].copy() event_df["date"] = pd.to_datetime(event_df["date"]) signal = pd.Series(0.0, index=dates) for trade_date in dates: # Only consider events published on or before trade_date (avoid look-ahead) mask = (event_df["date"] <= trade_date) & \ (event_df["date"] >= trade_date - pd.Timedelta(days=event_lookback)) relevant = event_df[mask] if relevant.empty: continue days_since = (trade_date - relevant["date"]).dt.days.values scores = relevant["score"].values # Exponential decay: score * exp(-lambda * days) decayed = scores * np.exp(-decay_lambda * days_since) # Sum multiple events and clip to [-1, 1] signal[trade_date] = np.clip(decayed.sum(), -1.0, 1.0) return signal

算法的三个要点：

• 防未来函数：只取date <= trade_date的事件，保证任一交易日只能看到当日及之前已知的事件；
• 回看窗口：event_lookback = 30天之外的事件直接排除，避免陈旧事件长期滞留；
• 阈值过滤：|score| < min_score_threshold的事件先被剔除，只保留有实质信息量的条目；
• 多事件叠加：窗口内多个事件做衰减后求和，再clip到[-1.0, 1.0]。

值得注意的是，这套「衰减求和 + 窗口 + 截断」公式在仓库生产级实现 enrich_price_frames_with_events 中得到了向量化复刻：它为每根 bar 计算event_score（衰减求和、clip 到[-1,1]）与event_count（窗口内事件数）两个附加列，直接用 NumPy 的 datetime64 与np.exp完成逐 bar 计算，逻辑与技能文档完全一致。

5.2 技术信号与事件信号的加权融合

最终交易信号由技术信号与事件信号按权重合成：

def combine_signals(tech_signal: pd.Series, event_signal: pd.Series, alpha: float = 0.6) -> pd.Series: """Combine technical and event signals with weights.""" combined = alpha * tech_signal + (1 - alpha) * event_signal return combined.clip(-1.0, 1.0)

默认alpha = 0.6：技术信号占 60%，事件信号占 40%。当没有事件时event_signal = 0，组合信号退化为纯技术信号，这是设计上的刻意行为——事件驱动是增强层，而非主策略。

六、可调参数速查

文档给出的参数表及默认值如下：

这些默认值同样体现在生产实现中：enrich_price_frames_with_events 的decay_lambda=0.1、lookback=30、min_abs_score=0.0与技能默认保持对齐（min_abs_score在技能侧为 0.2，属于文档中「策略层过滤」与「数据层过滤」的粒度差异——数据层默认不丢事件，把阈值判断留给策略）。

七、LLM 打分提示词模板

为保证打分跨时间、跨模型版本的一致性，文档规定抓取新闻后必须使用以下标准化提示词：

You are a financial event analyst. Read the following news / announcement and score its impact on the stock price. Scoring scale: - 1.0: extremely bullish (for example, earnings far above expectations, major favorable policy) - 0.5: moderately bullish (for example, earnings slightly above expectations, favorable industry news) - 0.2: mildly bullish - 0.0: neutral (no obvious impact) - -0.2: mildly bearish - -0.5: moderately bearish (for example, earnings below expectations, tighter industry regulation) - -1.0: extremely bearish (for example, accounting fraud, major violations, black-swan event) Score strictly on the scale above. Output one number only. Do not explain. News content: {news_content} Score:

模板的关键约束是「只输出一个数字、不做解释」，从而让打分结果可以机械化地解析进 CSV 的score列。值得注意的是，仓库在数据层还内置了一套确定性的词典打分器作为无需 LLM 的兜底基线——default_lexicon_scorer 通过统计标题与摘要中正负面词条（如 beat/beat、surge、record、growth 等正面词，与 miss、plunge、fraud、bankruptcy 等负面词）的净占比，产出[-1.0, 1.0]的分数。query_events接受可插拔的scorer参数，既可以用词典打分器做离线快速验证，也可以如技能文档描述的那样注入 LLM 裁判，两种打分路径共享同一套数据流。

八、回测中的事件数据：从 CSV 到手写引擎

技能文档明确指出：历史回测要求提前备好完整的历史事件 CSV，不能在回测中实时抓取，且建议按标的维护独立的事件文件。文档同目录的 example_signal_engine.py 给出了一种可直接套用的手写引擎范式：

class SignalEngine: """Long-only sentiment pre-filter over the enriched ``event_score`` column.""" def __init__(self, score_threshold: float = 0.2, top_n: int | None = None) -> None: self.score_threshold = score_threshold self.top_n = top_n def generate(self, data_map: Dict[str, pd.DataFrame]) -> Dict[str, pd.Series]: ... for dt in date_index: scored: List[tuple[str, float]] = [] for code, df in data_map.items(): if dt not in df.index: continue score = df.loc[dt].get("event_score", np.nan) if pd.notna(score) and score >= self.score_threshold: scored.append((code, float(score))) ... weight = 1.0 / len(scored) for code, _ in scored: signals[code].at[dt] = weight ...

这个引擎实现了一个典型的情绪预筛（sentiment pre-filter）多头策略：每个 bar 上选出event_score >= score_threshold的标的，按分数降序（可top_n截断），对入选标的等权做多。event_score列由回测配置中的event_feeds触发数据层富化（enrichment）自动生成，并且天然防未来——它只反映t日及之前可知的事件，引擎本身从不主动前移数据。

九、常见陷阱与规避清单

文档共列出 7 条实战中反复踩坑的经验，这些在源码中都有对应的工程化对策：

1. 未来函数：CSV 的date必须是「可知日期」，收盘后发布的事件要用下一交易日；回测中严格执行event_date <= trade_date。对应实现：_knowable_date的收盘截断 +query_events的knowable_date <= as_of过滤（[rsshub_events.py](https://link.gitcode.com/i/4fd762b20e7059ba31bdb1f3d3d58e6a#L264-L278, L397)）。
2. 重复打分：同一事件可能被多个新闻源重复报道而产生多行。按(date, event_type)去重或取均值。对应实现：query_events按(ts_code, knowable_date, event_type, summary)去重（第 398 行）。
3. 情绪漂移：提示词或模型版本变化会导致 LLM 打分尺度漂移。对策是固定提示词模板、定期重新校准。数据层的词典打分器可作为稳定的比对基线。
4. 事件稀疏性：大多数交易日没有事件，事件信号为 0、最终信号由技术面主导是正常现象，严禁为「填空」而捏造数据。
5. 回测事件数据：必须提前备好历史事件 CSV（建议按标的分文件），不能回测时实时抓取。
6. summary字段中的逗号：这是 CSV 解析错误的常见原因——摘要中避免逗号，或用pd.read_csv(quoting=csv.QUOTE_ALL)读取。对应实现：_clean_summary在数据层直接做逗号剥离（第 281-285 行）。
7. 衰减参数敏感性：decay_lambda过大事件影响消失过快、过小则陈旧事件长期存活；理想上不同事件类型（财报 vs 政策）应有不同衰减曲线，但默认统一为0.1，是一种可接受的简化。

十、信号约定与依赖

信号约定：

• 纯事件信号：[-1.0, 1.0]（由事件分数 + 时间衰减计算得出）；
• 组合信号：alpha * tech_signal + (1 - alpha) * event_signal，clip 到[-1.0, 1.0]；
• 无事件时event_signal = 0，组合信号退化为纯技术信号。

依赖：仅需pip install pandas numpy。LLM 分析由 Agent 自身完成，read_url工具内置，无额外依赖。这意味着该技能可以零成本地在任意回测框架中接入——只要数据层产出了合规的event_score列，手写引擎即可直接消费。

总结

事件驱动策略的本质是把「信息冲击」变成可回测、可调参、可叠加在技术信号之上的量化信号。Vibe-Trading 的这套技能设计通过三层保障让这件事变得工程上可靠：标准化提示词保证 LLM 打分可复现，CSV + 可知日期约定保证数据层与逻辑层解耦且天然防未来，指数衰减 + 加权合成保证信号可解释、可调参。若要进一步深入，推荐阅读 示例信号引擎完整实现 与 RSSHub 事件提供器，前者是技能文档的最小可运行范本，后者则是生产级的 point-in-time 事件数据管线，两者对照阅读即可完整掌握该技能的落地全貌。

【免费下载链接】Vibe-Trading"Vibe-Trading: Your Personal Trading Agent"项目地址: https://gitcode.com/GitHub_Trending/vi/Vibe-Trading