Event Driven Strategy

事件驱动交易策略 - 捕捉财报、并购、政策等事件带来的超额收益机会，基于预期差分析和催化剂强度评估生成交易信号。

Security Scan

The skill's code, instructions, and declared requirements are consistent with an event-driven trading strategy and do not request unrelated credentials or installs, but you should review the full source (and any runtime network behavior) before using with real funds or production data.

Purpose & Capability

The name, description, SKILL.md and included Python code implement event-driven trading analysis (event calendar, expectation-gap models, catalyst scoring, signal generation). There are no unrelated environment variables, binaries, or install steps requested that would be disproportionate to the stated purpose.

Instruction Scope

SKILL.md limits runtime behavior to analyzing events, scanning upcoming events, backtests, monitoring, and signal generation. It recommends other data/risk skills but does not instruct reading unrelated system files or harvesting environment variables. The instructions do note the need for real-time data sources (MDL_data_skill).

Install Mechanism

No install spec is provided (instruction-only skill). A Python code file is bundled but there is no external installer, downloaded archive, or opaque third-party package being pulled at install time. Risk from install mechanism is low.

Credentials

The skill declares no required environment variables, no primary credential, and no config paths. This is proportionate for an analysis-only trading strategy engine that relies on external data skills for market data.

Persistence & Privilege

always is false and the skill is user-invocable; it does not request elevated persistence or modify other skills. Autonomous invocation is allowed (platform default) but not combined with additional privileged requests.

Assessment

This skill appears coherent for event-driven trade analysis, but before enabling it: 1) review the rest of the bundled Python file for any network calls or hard-coded endpoints (the provided snippet is truncated); 2) confirm any market-data integrations (MDL_data_skill or other APIs) require explicit credentials and store those secrets securely if you provide them; 3) run the skill in a sandboxed environment first to observe network activity and outputs; 4) do not rely solely on historical metrics — validate signals with paper trading before committing real capital; and 5) ensure use of the skill complies with your organization's trading and compliance policies.

事件驱动策略技能 (Event Driven Strategy Skill)

概述

专业的事件驱动交易策略实现，专门捕捉由公司特定事件或市场事件产生的定价错误和短期价格异常。通过量化事件预期差、催化剂强度和市场反应，生成高胜率的交易机会。

适用场景

• 财报季策略：财报发布前的预期差押注
• 并购套利：公告后的风险套利机会
• 政策催化剂：政策发布后的受益股识别
• 诉讼判决：重大诉讼结果的市场反应
• 产品获批：FDA/NMPA审批通过的机会
• 管理层变动：CEO/CFO更换的市场影响

核心功能

1. 事件日历管理

• 维护重要事件时间表
• 设置事件提醒和预警
• 优先级排序和过滤

2. 预期差分析

• 分析师预期与实际数据对比
• 市场情绪与基本面对比
• 历史事件反应模式匹配

3. 催化剂强度评估

• 事件重要性评级（1-5级）
• 市场关注度量化
• 历史类似事件影响分析

4. 交易信号生成

• 入场时机和价格建议
• 预期收益和风险回报比
• 持仓时间和止损建议

事件类型

A类事件（高影响力）

• 季度/年度财报发布
• 重大并购公告
• 主要政策变化（证监会、央行）
• FDA/NMPA新药审批

B类事件（中影响力）

• 管理层重大变动
• 主要产品发布会
• 重大诉讼判决
• 分红/回购公告

C类事件（低影响力）

• 分析师会议
• 投资者关系活动
• 小型资产出售
• 常规监管申报

使用方法

JSON参数格式

{
  "action": "analyze_event",
  "event_type": "earnings",
  "stock_codes": ["002371.SZ", "000001.SZ"],
  "event_date": "2026-03-15",
  "time_horizon": "short_term",
  "output_format": "actionable"
}

可用操作

1. analyze_event - 分析单个事件机会
2. scan_upcoming_events - 扫描即将发生的事件
3. backtest_event_pattern - 回测历史事件模式
4. monitor_event_reaction - 监控事件后的市场反应
5. generate_trading_signals - 生成交易信号

输出示例

{
  "success": true,
  "skill": "event_driven_strategy_skill",
  "event_analysis": {
    "event_type": "earnings",
    "stock": "002371.SZ",
    "event_date": "2026-03-15",
    "expected_eps": 1.25,
    "market_consensus": 1.20,
    "expectation_gap": "+4.2%",
    "catalyst_strength": 4,
    "expected_price_move": "+3.5% to +8.0%",
    "recommended_action": "财报前买入，目标价+5%",
    "entry_timing": "财报前1-3天",
    "exit_timing": "财报后1-3天",
    "stop_loss": "-2.5%",
    "risk_reward_ratio": "1:3.2"
  }
}

算法原理

预期差模型

预期差 = (内部预测 - 市场共识) / 市场共识
调整因子 = 历史准确性权重 × 信息质量评分
有效预期差 = 预期差 × 调整因子

催化剂强度评分

强度 = 基础重要性(1-3) × 市场关注度(1-2) × 历史影响系数(0.8-1.2)

交易信号生成

入场信号强度 = 有效预期差 × 催化剂强度 × 技术面配合度(0-1)
风险调整收益 = 预期收益 / (波动率 × 持仓时间)

数据源

1. 基础数据：MDL_data_skill (QMT)
2. 事件数据：公司公告、财经日历
3. 预期数据：分析师报告、市场共识
4. 情绪数据：社交媒体、新闻情绪

风险控制

• 单事件最大仓位：5%
• 事件相关性限制：避免同时押注高度相关事件
• 止损纪律：-2.5%强制止损
• 时间止损：事件后3个交易日未达目标即退出

性能指标

• 历史胜率：65-75%
• 平均盈亏比：1:2.5-1:3.5
• 年化收益率：30-50%
• 最大回撤：<15%

依赖技能

• MDL_data_skill：实时行情和历史数据
• policy_analysis_skill：政策事件分析
• risk_management_skill：仓位控制和风险管理

更新日志

• v1.0.0 (2026-03-05)：初始版本发布
• 核心功能：事件分析、预期差计算、交易信号生成
• 事件类型：财报、并购、政策、产品审批

---

注意：事件驱动策略对信息时效性要求极高，建议配合实时数据源使用。历史表现不代表未来收益，投资需谨慎。