Financial Event Historical Impact Analyzer

Analyze historical impact of financial events on related assets. Kensho-style event-driven analysis. Use when: asking about asset reactions to events (oil surge, gold rise, rate hikes), historical precedent analysis, causal indicator relationships. Outputs Chinese reports and charts.

赖根@laigen

Install

openclaw skills install @laigen/financial-event-impact-analyzer

Financial Event Impact Analyzer (金融事件影响分析器)

Overview

分析特定金融事件发生时相关资产的历史表现。类似 Kensho 的事件驱动分析：识别事件 → 查找历史先例 → 推论相关资产 → 分析历史表现。

输出: 中文分析报告 + 中文标注图表

环境依赖

⚠️ 前置检查（重要）

每次执行前必须检查:

检查项	命令	失败修复
中文字体	`fc-list :lang=zh family`	`sudo apt install fonts-wqy-microhei fonts-noto-cjk`
TUSHARE_TOKEN	`echo $TUSHARE_TOKEN`	在 ~/.bashrc 中设置
输出目录	`mkdir -p memory/reports/`	确保有写权限

自动检查: generate_charts.py 会自动执行前置检查，输出结果。

Python 包依赖

bash

pip install yfinance pandas numpy matplotlib tushare

🔤 中文字体依赖（重要）

图表使用中文标注，需要系统安装中文字体：

系统	安装命令
Ubuntu/Debian	`sudo apt install fonts-wqy-microhei fonts-noto-cjk`
CentOS/RHEL	`sudo yum install wqy-microhei-fonts`
macOS	系统自带 PingFang SC / Heiti SC
Windows	系统自带 SimHei（黑体）

验证字体:

bash

# 查看可用中文字体
fc-list :lang=zh family

# matplotlib 查找字体
python3 -c "import matplotlib.font_manager; print([f.name for f in matplotlib.font_manager.fontManager.ttflist if 'Hei' in f.name or 'Noto' in f.name])"

备选字体优先级:

SimHei (黑体，Windows/macOS)
WenQuanYi Micro Hei (Linux常用)
Noto Sans CJK SC (现代Linux)
PingFang SC (macOS)

数据源环境变量

bash

export TUSHARE_TOKEN="your_token_here"  # 注册: https://tushare.pro
export FRED_API_KEY="your_key_here"     # 可选，用于 FRED 数据

Workflow（10步工作流程）

Step 0: 创建分析输出目录 ⭐ 重要

目标: 创建本次分析的专用输出文件夹，放置在 workspace 目录下，避免污染 skill 目录。

命名规则: <indicator>_<YYYYMMDD>_<direction>

例如: brent_crude_20260328_increase

输出目录: ~/.openclaw/workspace/memory/reports/<analysis_folder>/

目录结构:

text

~/.openclaw/workspace/memory/reports/brent_crude_20260328_increase/
├── data/                    # 中间数据文件
│   ├── brent_crude.json
│   ├── xle.json
│   └── jets.json
│   └── ...
├── charts/                  # 图表文件
│   ├── brent_crude_vs_xle.png
│   ├── brent_crude_vs_jets.png
│   ├── performance_summary.png
│   ├── event_matrix_heatmap.png
│   └── charts_manifest.json
├── events.json              # 相似事件列表
├── related.json             # 相关资产推论
├── performance.json         # 表现分析结果
└── report.md                # 最终分析报告

执行:

bash

# 创建输出目录（使用 workspace 绝对路径）
OUTPUT_DIR="$HOME/.openclaw/workspace/memory/reports/brent_crude_20260328_increase"
mkdir -p "${OUTPUT_DIR}/data" "${OUTPUT_DIR}/charts"

Step 1: 识别表征指标

目标: 将用户的事件描述映射到具体指标。

事件 → 指标映射表:

事件类型	表征指标
油价暴涨/暴跌	`brent_crude` 或 `wti_crude`
黄金价格变动	`gold`
利率变化	`us_10y_treasury` 或 `fed_funds_rate`
VIX/波动率飙升	`vix`
美元走强/走弱	`usd_index`
通胀变化	`cpi_us`
衰退信号	`unemployment_us`
美联储缩表	`fed_funds_rate` + `us_10y_treasury`

执行:

bash

python scripts/fetch_indicator_data.py --list

Step 2: 获取历史数据

目标: 获取表征指标 30+ 年时序数据。

执行:

bash

python scripts/fetch_indicator_data.py <indicator_id> --years 30 --output ${OUTPUT_DIR}/data/<indicator_id>.json --json

Step 3: 提取当前事件特征

目标: 量化当前事件（变动幅度、方向、波动率）。

执行:

bash

python scripts/find_similar_events.py --data ${OUTPUT_DIR}/data/<indicator_id>.json --output ${OUTPUT_DIR}/events.json

Step 4: 查找历史相似事件

已在 Step 3 完成，events.json 包含相似事件列表。

Step 5: 推论相关资产（多经济体分析） ⭐ 核心改动

目标: 基于因果关系确定受影响资产，覆盖多个经济体，不仅限于可交易的金融资产标的。

因果分析框架（扩展）:

维度	说明	示例
上下游	供应链传导效应	油价→能源股(受益)→航空股(受损)
替代效应	替代产品/服务	油价涨→电动车需求↑
互补效应	联合需求模式	油价涨→天然气联动
金融关联	资本流动、风险情绪	美股波动→A股联动
多经济体传导 ⭐ 核心	跨市场传导	美元走强→新兴市场资本流出
宏观经济指标 ⭐ 核心	非交易性指标传导	油价暴涨→各国CPI/PPI/M2变化

多经济体分析范围 ⭐ 核心改动（必须覆盖）:

经济体	分析范围	具体指标	获取方式
中国	股指 + 宏观 + 利率 + 货币 + 汇率	沪深300/创业板、CPI/PPI/GDP/PMI、LPR、M2/M1、USD/CNY	Tushare
日本	股指 + 利率 + 汇率 + 宏观	日经225/TOPIX、10Y国债、USD/JPY、GDP/CPI/M2	Yahoo Finance / FRED
韩国	股指 + 汇率 + 宏观	KOSPI/KOSDAQ、USD/KRW、GDP/CPI	Yahoo Finance / FRED
欧洲	股指 + 利率 + 汇率 + 宏观	斯托克50/DAX/CAC40/富时100、德国10Y、EUR/USD、GDP/CPI/M2	Yahoo Finance / FRED
亚太新兴	股指 + 汇率	恒生指数、印度Nifty、东南亚指数、汇率	Yahoo Finance

⚠️ 强制要求: 每次分析必须覆盖以上所有经济体的股市、宏观经济指标、利率、货币发行量、汇率等维度，不仅限于可交易的金融资产标的（ETF、股票）。

多经济体因果映射 (详见 references/indicator_mapping.md):

事件类型	中国影响	日本影响	韩国影响	欧洲影响
油价暴涨	能源股受益，航空化工受损	能源股受益，制造业受损	能源股受益，化工受损	能源股受益，航空汽车受损
美元走强	出口股受益，资本流出压力	出口股受益，日元贬值	出口股受益，韩元贬值	出口股受益，欧元贬值
利率上升	银行保险受益，成长股受损	银行股受益	银行股受益	银行股受益，地产股受损
通胀上升	抗通胀资产受益	通胀摆脱通缩	抗通胀资产受益	抗通胀资产受益
VIX飙升	防守板块受益，成长股受损	防守板块受益	防守板块受益	防守板块受益

执行:

bash

python scripts/infer_related_assets.py --indicator <indicator_id> --direction <increase|decrease> --multi-economy --output ${OUTPUT_DIR}/related.json

输出格式扩展:

json

{
  "benefited": [
    {"indicator": "xle", "reason": "能源ETF直接受益", "economy": "US"},
    {"indicator": "csi300_energy", "reason": "中国能源板块受益", "economy": "China"},
    {"indicator": "nikkei225_energy", "reason": "日本能源股受益", "economy": "Japan"}
  ],
  "harmed": [
    {"indicator": "jets", "reason": "航空ETF燃油成本上升", "economy": "US"},
    {"indicator": "csi300_airline", "reason": "中国航空股成本上升", "economy": "China"},
    {"indicator": "dax_auto", "reason": "德国汽车股成本上升", "economy": "Europe"}
  ],
  "macro_indicators": [
    {"indicator": "cpi_china", "reason": "油价上涨推升中国CPI", "economy": "China"},
    {"indicator": "cpi_eurozone", "reason": "油价上涨推升欧元区CPI", "economy": "Europe"}
  ]
}

Step 6: 分析历史表现

目标: 计算每类资产在各历史事件期间的表现。

执行:

bash

# 先获取所有相关指标数据
for indicator in $(cat ${OUTPUT_DIR}/related.json | jq -r '.benefited[].indicator, .harmed[].indicator'); do
    python scripts/fetch_indicator_data.py $indicator --years 30 --output ${OUTPUT_DIR}/data/$indicator.json --json
done

# 分析各事件期间表现
python scripts/analyze_related_performance.py \
    --events ${OUTPUT_DIR}/events.json \
    --related ${OUTPUT_DIR}/related.json \
    --data-dir ${OUTPUT_DIR}/data \
    --output ${OUTPUT_DIR}/performance.json

Step 7: 生成图表（前置检查） ⭐ 核心改动

目标: 可视化时序对比和表现统计，确保中文不乱码，X轴标签不重叠。

前置检查项:

检查项	要求	失败处理
中文字体	WenQuanYi/SimHei/Noto CJK 可用	安装 fonts-wqy-microhei
输出目录	写权限正常	检查目录权限
matplotlib	已安装	pip install matplotlib

图表规范（核心改动）:

图表类型	内容	格式	要求
时序对比图	每类资产单独一张，双Y轴叠加	中文标题/标签	⭐ 强制每一项生成单独图表
表现汇总图	各资产平均收益对比	中文标注	-
事件矩阵图	资产×事件收益矩阵	中文热力图	-

时序对比图增强功能 ⭐ 核心改动:

✅ 红色虚线方框：标记过往同类事件发生时间区间
✅ 虚线框高度覆盖整个Y轴区域：从Y轴底部到顶部，不能仅覆盖表征指标的数值区域
✅ 事件标签：显示事件编号和涨跌幅
✅ X轴自适应：根据数据跨度自动调整刻度间隔，避免标签重叠
✅ 图表宽度自适应：长时间跨度使用更宽图表

⚠️ 强制要求:

每一项相关指标都必须生成单独的时序对比图（不能合并或省略）
红色虚线框必须覆盖整个Y轴区域（从底部到顶部），而非仅覆盖数值范围

技术实现说明（关键代码）:

python

# ⭐ 核心技术：使用 ax.get_xaxis_transform() 让矩形覆盖整个Y轴区域
rect = plt.Rectangle(
    (mdates.date2num(start_date), 0),  # Y=0（图表底部）
    mdates.date2num(end_date) - mdates.date2num(start_date),
    1,  # Y高度=1（从底部到顶部，覆盖整个图表区域）
    transform=ax1.get_xaxis_transform(),  # ⭐ 关键：X轴数据坐标，Y轴axes坐标(0-1)
    clip_on=False  # 允许超出轴边界
)

原理: ax.get_xaxis_transform() 使用混合坐标系：

X轴：数据坐标（实际日期）
Y轴：axes坐标（0-1，覆盖整个图表高度）

这样矩形会覆盖整个Y轴区域，无论表征指标的实际数值范围如何。

X轴间隔自适应规则:

数据跨度	刻度间隔
≤12个月	每月
≤24个月	每季度
≤60个月	半年
≤120个月	每年
>120个月	每两年

执行:

bash

python scripts/generate_charts.py \
    --primary-indicator <indicator_id> \
    --primary-data ${OUTPUT_DIR}/data/<indicator_id>.json \
    --events ${OUTPUT_DIR}/events.json \
    --related ${OUTPUT_DIR}/related.json \
    --performance ${OUTPUT_DIR}/performance.json \
    --output-dir ${OUTPUT_DIR}/charts

Step 8: 生成报告（嵌入图片） ⭐ 新增

目标: 生成完整中文分析报告，将所有时序对比图嵌入 Markdown。

报告结构:

🎯 核心结论（优先展示）
当前事件特征
历史相似事件列表
变动幅度表格（从最新到最早）
汇总统计
📈 时序对比图（嵌入Markdown） ⭐ 新增
📊 表现汇总图
🔥 事件矩阵热力图
分析局限性

图片嵌入格式:

markdown

![图表名称](charts/图表文件.png)

执行:

bash

python scripts/generate_report.py \
    --primary-indicator <indicator_id> \
    --events ${OUTPUT_DIR}/events.json \
    --related ${OUTPUT_DIR}/related.json \
    --performance ${OUTPUT_DIR}/performance.json \
    --charts-manifest ${OUTPUT_DIR}/charts/charts_manifest.json \
    --output-dir ${OUTPUT_DIR} \
    --output report.md

Step 9: 展示报告和图表

目标: 输出完整中文报告，向 chat 窗口展示报告内容和图表。

报告结构 (详见 references/report_template.md):

🎯 核心结论（优先展示）
事件概述
当前事件特征
历史相似事件
相关资产推论
历史变动幅度表格（新增，从最新到最早）
历史表现汇总
图表说明
分析局限性

展示要求: 报告生成后，将完整内容输出到 chat 窗口，并附带已生成的图表图片。

图表规范详解

1. 时序对比图（每类资产一张）

文件名: <primary_indicator>_vs_<related_indicator>.png

结构:

text

┌─────────────────────────────────────────────┐
│  油价 vs 能源ETF 历史走势对比                  │  ← 中文标题
├─────────────────────────────────────────────┤
│                                             │
│  ┌───────┐  红色虚线框                        │
│  │事件区间│  标记历史事件                      │
│  └───────┘                                  │
│                                             │
│  左Y轴: 油价(美元/桶)    右Y轴: 能源ETF价格   │  ← 双Y轴中文标注
│  ── 油价曲线              ── ETF曲线          │
│                                             │
├─────────────────────────────────────────────┤
│  时间轴: 2010.01.01 - 2024.12.31            │  ← YYYY.MM.DD 格式
└─────────────────────────────────────────────┘

颜色规范:

🔴 红色 = 上涨 (+)
🟢 绿色 = 下跌 (-)
⬛ 红色虚线框 = 历史事件区间

2. 变动幅度表格（新增）

格式: Markdown 表格，按时间从最新到最早排列

历史事件	时间区间	表征指标变动	相关资产A	相关资产B	...
事件1（最新）	2024.03.15-2024.06.20	🔴 +42%	🔴 +15%	🟢 -8%	...
事件2	2022.02.10-2022.04.05	🔴 +38%	🔴 +12%	🟢 -5%	...
事件3	2020.03.09-2020.04.21	🟢 -55%	🟢 -28%	🔴 +10%	...
...	...	...	...	...	...

高亮规则:

相关性高（同向变动）的单元格加粗显示
反向变动的单元格使用不同颜色标记

指标映射参考

详见 references/indicator_mapping.md：

类别	可用指标
大宗商品	brent_crude, wti_crude, gold, silver, copper, aluminum, natural_gas
美股指数	sp500, nasdaq, dow_jones, russell2000, vix
美股行业ETF	xlk, xle, xlf, xlv, xli, jets, iyr, gdx, tlt
外汇	usd_cny, usd_index, eur_usd
美债	us_10y_treasury, us_2y_treasury
FRED宏观	fed_funds_rate, cpi_us, gdp_us, unemployment_us
A股指数	csi300, sse_composite, chinext, sse50

事件 → 相关资产因果逻辑

油价暴涨 (`oil_price_increase`)

类别	资产	效果	原因
受益	能源ETF (xle)	↑	收入增加
受益	黄金 (gold)	↑	通胀对冲
受损	航空ETF (jets)	↓	燃油成本增加
受损	工业ETF (xli)	↓	能源成本上升

黄金暴涨 (`gold_price_increase`)

类别	资产	效果	原因
受益	黄金矿业ETF (gdx)	↑	直接受益
受益	白银 (silver)	↑	贵金属联动
受损	股市 (sp500)	↓	避险信号
受损	金融ETF (xlf)	↓	风险规避

加息 (`interest_rate_increase`)

类别	资产	效果	原因
受益	金融ETF (xlf)	↑	利差扩大
受益	美元指数 (usd_index)	↑	资本流入
受损	债券ETF (tlt)	↓	利率上升
受损	REITs (iyr)	↓	融资成本
受损	成长股 (nasdaq)	↓	估值压制

VIX飙升 (`vix_increase`)

类别	资产	效果	原因
受益	防守板块 (xlp, xlv)	↑	避险
受益	黄金 (gold)	↑	风险规避
受损	股市 (sp500)	↓	风险规避
受损	金融ETF (xlf)	↓	风险规避

美联储缩表 (`fed_balance_sheet_reduction`)

类别	资产	效果	原因
受益	美元指数 (usd_index)	↑	流动性收紧
受益	金融ETF (xlf)	↑	利差扩大
受损	债券ETF (tlt)	↓	收益率上行
受损	成长股 (nasdaq)	↓	流动性压制

输出要求

图表

语言: 中文标题、标签、图例
时间格式: YYYY.MM.DD
颜色: 🔴 红色 = 上涨 (+)，🟢 绿色 = 下跌 (-)
事件标记: 红色虚线框（历史），红色实线框（当前）
双Y轴: 左轴表征指标，右轴关联资产

报告

语言: 中文
格式: Markdown 表格
结构: 结论优先 → 详细统计
署名: 🐂

示例：油价暴涨分析

用户输入: "分析历史上油价快速上涨后各类资产的表现情况"

工作流程:

创建输出目录 → ~/.openclaw/workspace/memory/reports/brent_crude_20260328_increase/
识别 → brent_crude
获取 → 30年布伦特原油数据 → ${OUTPUT_DIR}/data/brent_crude.json
提取 → 当前: 90天内+40%（上涨）
查找 → 5次历史油价暴涨事件 → ${OUTPUT_DIR}/events.json
推论 → 能源ETF(受益)、航空ETF(受损)、黄金(对冲) → ${OUTPUT_DIR}/related.json
分析 → 各资产在各历史事件期间的收益 → ${OUTPUT_DIR}/performance.json
图表 → 时序对比图(每类资产一张)、表现汇总图 → ${OUTPUT_DIR}/charts/
报告 → 中文分析报告 + 变动幅度表格 → ${OUTPUT_DIR}/report.md

参考文件

references/indicator_mapping.md: 完整指标列表和数据源
references/report_template.md: 中文报告模板结构

Financial Event Historical Impact Analyzer

Install

Financial Event Impact Analyzer (金融事件影响分析器)

Overview

环境依赖

⚠️ 前置检查（重要）

Python 包依赖

🔤 中文字体依赖（重要）

数据源环境变量

Workflow（10步工作流程）

Step 0: 创建分析输出目录 ⭐ 重要

Step 1: 识别表征指标

Step 2: 获取历史数据

Step 3: 提取当前事件特征

Step 4: 查找历史相似事件

Step 5: 推论相关资产（多经济体分析） ⭐ 核心改动

Step 6: 分析历史表现

Step 7: 生成图表（前置检查） ⭐ 核心改动

Step 8: 生成报告（嵌入图片） ⭐ 新增

Step 9: 展示报告和图表

图表规范详解

1. 时序对比图（每类资产一张）

2. 变动幅度表格（新增）

指标映射参考

事件 → 相关资产因果逻辑

油价暴涨 (oil_price_increase)

黄金暴涨 (gold_price_increase)

加息 (interest_rate_increase)

VIX飙升 (vix_increase)

美联储缩表 (fed_balance_sheet_reduction)

输出要求

图表

报告

示例：油价暴涨分析

参考文件

Related skills

油价暴涨 (`oil_price_increase`)

黄金暴涨 (`gold_price_increase`)

加息 (`interest_rate_increase`)

VIX飙升 (`vix_increase`)

美联储缩表 (`fed_balance_sheet_reduction`)