【AI+量化实战 #05】财报季的信息洪流：用LLM给业绩预告分类+算事件窗口收益

系列进度：AI+量化实战 #05 / 共 12 篇

痛点开场

财报季一到，交易所的公告像洪水一样涌来。你打开股票软件，弹窗里是"预增""预降""扭亏""减亏"，眼睛都看花了，却不知道哪条真值得跟进。

更头疼的是：

• 预告类型本身不能直接当信号------市场对同样的"预增"反应可能完全不同；
• 想算"公告后 1 天/5 天涨了多少"，要一只一只股票扒日线；
• 样本一多，手动归类和计算几乎不可能。

今天这篇文章，就把这件事自动化：先用 Python 把业绩预告分类，再批量计算事件窗口收益。LLM 负责理解文本里的"弦外之音"，规则负责兜底和规模化。

本文你将得到什么

1. company_earnings_forecast 和 stock_history 两个接口的配合用法。
2. 一套把预告类型映射为 positive / neutral / negative 的规则分类器。
3. 一个 LLM 分类 Prompt 模板（未配置 key 时自动回退到规则）。
4. 一段已跑通的代码：批量拉预告 → 分类 → 计算 T+0/T+1/T+5 事件窗口收益。
5. 一组 6 只样本股的真实运行结果，供你参考数据形态。

一、数据从哪来

业绩预告：company_earnings_forecast

字段	含义
abs	预告正文（含利润区间和增速）
type	预告类型，如预增、预升、预降、预亏、减亏等
pdate	预告发布日期
rdate	报告期，如 2024-12-31
old	上年同期 EPS

拿到预告类型还不够。比如"减亏"虽然是亏损，但亏损幅度在收窄，市场情绪可能是中性偏正面；"预降"则是实打实的利空。我们需要把 type 和 abs 一起交给规则或 LLM 来判断方向。

日线行情：stock_history

字段	含义
t	交易日期
c	收盘价
o / h / l	开盘/最高/最低价

事件窗口收益就是比较"公告日收盘价"和"公告后第 N 个交易日收盘价"的涨跌幅。

import mairui
import os

api = mairui.Client("LICENCE-66D8-9F96-0C7F0FBCD073")  # 演示证书，演示证书（读者复制即用，无需替换）

# 业绩预告
forecasts = api.company_earnings_forecast("600519")
for f in forecasts[:3]:
    print(f["pdate"], f["type"], f["abs"][:60])

# 日线
hist = api.stock_history("600519")
for row in hist[-3:]:
    print(row["t"], row["c"])

二、规则分类：把预告类型翻译成市场方向

规则分类器适合批量跑全量数据，零成本、可解释、速度快。

POSITIVE_TYPES = {"预增", "预升", "预盈", "扭亏"}
NEGATIVE_TYPES = {"预减", "预亏", "首亏", "续亏", "大幅下降"}

def rule_label(type_text: str, abs_text: str) -> str:
    t = (type_text or "").strip()
    if t in POSITIVE_TYPES:
        return "positive"
    if t in NEGATIVE_TYPES:
        return "negative"

    # 兜底：从正文中找关键词
    txt = abs_text or ""
    if any(w in txt for w in ("亏损", "下降", "减少", "大幅下滑")):
        return "negative"
    if any(w in txt for w in ("增长", "上升", "盈利", "扭亏为盈")):
        return "positive"
    return "neutral"

三、LLM 分类 Prompt：让 AI 读"弦外之音"

规则再精细也覆盖不了所有表述。比如"业绩同比大幅下降，但环比明显改善"该算什么方向？LLM 更擅长处理这种语义级别的转折。

下面是一个可直接套用的 Prompt：

请阅读以下 A 股业绩预告，判断其对股价的短期情绪方向，
只返回三个标签之一：positive（利好）/ negative（利空）/ neutral（中性）。

预告类型：{type_text}
预告文本：{abs_text}

标签：

代码封装：

def llm_classify(abs_text: str, type_text: str) -> str:
    api_key = os.environ.get("LLM_API_KEY", "")
    base_url = os.environ.get("LLM_BASE_URL", "")
    if not api_key or not base_url:
        # 没配 LLM key 时自动回退到规则分类
        return rule_label(type_text, abs_text)
    # 否则调用 openai / 兼容接口
    ...

这样脚本在任何环境下都能跑通，不会因为缺 LLM key 而中断。

四、事件窗口收益怎么算

关键概念：公告日不一定是交易日。如果 pdate 落在周末或假期，事件日要取"公告后的第一个交易日"。

import pandas as pd

def compute_event_return(hist_df: pd.DataFrame, pdate: str, offset: int):
    """
    offset=0: 事件日相对前一日收盘涨跌幅
    offset=1: T+1
    offset=5: T+5
    """
    hist_df["date"] = pd.to_datetime(hist_df["t"])
    hist_df = hist_df.sort_values("date").reset_index(drop=True)

    # 找到大于等于 pdate 的第一个交易日
    d = pd.to_datetime(pdate)
    pos = hist_df.index[hist_df["date"] >= d]
    if len(pos) == 0:
        return None
    base = pos[0]

    prev = base - 1
    target = base + offset
    if prev < 0 or target >= len(hist_df):
        return None

    base_close = float(hist_df.at[base, "c"])
    prev_close = float(hist_df.at[prev, "c"])
    target_close = float(hist_df.at[target, "c"])

    if offset == 0:
        return (base_close - prev_close) / prev_close * 100
    return (target_close - base_close) / base_close * 100

对每一只样本股，先拉全部历史日线，然后遍历它的每一条业绩预告，批量计算 T+0、T+1、T+5 收益。

五、真实运行结果

以 6 只样本股为例，共拉取 181 条业绩预告，分类后计算事件窗口收益：

分类	数量	平均 T+0	平均 T+1	平均 T+5	T+1 胜率	T+5 胜率
positive（利好）	139	+1.02%	-0.03%	+0.45%	51.08%	50.36%
neutral（中性）	14	-2.14%	-1.03%	+1.01%	21.43%	64.29%
negative（利空）	28	-0.48%	+1.19%	+1.76%	60.71%	60.71%

这里有两个反直觉的点：

1. "利好"预告的 T+1 平均收益接近 0，并不是预增就一定涨。原因是市场对业绩预期已经部分 price in。
2. "利空"预告的短期收益反而为正，可能是因为跌幅已在前几日释放，公告日出现超跌反弹。

这些现象说明：预告类型只是事件研究的一个维度，不能直接当交易策略。 把它当作"信号库"中的一条线索，配合仓位和择时才有意义。

正向样本中 T+1 涨幅较高的几条：

• 比亚迪 2020-08-29 预增：T0=-0.46%，T1=+10.00%，T5=+11.46%
• 招商银行 2013-03-02 预升：T0=-6.12%，T1=+8.88%，T5=+6.93%
• 五粮液 2009-10-19 预升：T0=+2.66%，T1=+8.42%，T5=+5.00%

负向样本中 T+1 跌幅较大的几条：

• 比亚迪 2011-07-13 预减：T0=-1.02%，T1=-3.82%，T5=-2.53%
• 比亚迪 2011-08-23 预减：T0=+1.22%，T1=-3.34%，T5=-3.42%
• 隆基绿能 2026-07-15 预亏：T0=+2.30%，T1=-1.17%，T5=+4.75%

六、常见坑

1. 预告发布日 vs 事件日 ：pdate 可能落在非交易日，直接按自然日偏移会算错。必须映射到交易日历。
2. 同一报告期多条预告 ：有些公司会发"首次预告"再发"修正预告"，事件研究时要按 pdate 取最新一条。
3. 区间预告的收益计算 ：预告里给的是利润区间，本文主要用 type 分类；如果要更精细，可以把区间中值与市场预期对比。
4. 样本偏倚：本文只用 6 只大盘股做演示，不能代表全市场。扩大样本时建议使用批量接口减少 API 调用次数。
5. LLM 输出不稳定：生产环境要对 LLM 返回做格式校验和重试，未配置 key 时务必保留规则 fallback。

小结与下篇预告

今天我们做了一套"业绩预告事件研究"流水线：

• 用规则 + LLM 把业绩预告分类为利好/中性/利空；
• 把 pdate 映射到交易日，计算 T+0/T+1/T+5 窗口收益；
• 用真实数据说明：预告方向 ≠ 股价方向，事件研究需要大样本和严格归因。

下篇（#06）进入技术指标的"人话翻译"：让 LLM 把金叉、死叉、MACD 红绿柱解释成普通人能听懂的交易语言。

---

风险提示：本文仅供技术学习交流，不构成投资建议。业绩预告分析存在数据覆盖、分类偏差和样本偏倚等风险，历史结果不代表未来收益。

API 文档与证书获取：https://github.com/MaiRuiApi