by 安全扫描
OpenClaw
安全
medium confidence该技能的代码、指令和声明的需求与事件驱动交易策略一致，且不请求无关的凭据或安装，但在使用真实资金或生产数据之前，您应该审查完整源代码（及任何运行时网络行为）。
评估建议
该技能在事件驱动交易分析方面表现一致，但在启用前：1) 请审查捆绑的 Python 文件其余部分以查找任何网络调用或硬编码端点（提供的代码片段被截断）；2) 确认任何市场数据集成（MDL_data_skill 或其他 API）需要明确的凭据，并在提供时安全存储这些密钥；3) 首先在沙盒环境中运行该技能以观察网络活动和输出；4) 不要仅依赖历史指标——在使用真实资金前通过模拟交易验证信号；5) 确保使用该技能符合您组织的交易和合规政策。...详细分析 ▾
✓ 用途与能力
名称、描述、SKILL.md 和包含的 Python 代码实现了事件驱动交易分析（事件日历、预期差模型、催化剂评分、信号生成）。没有请求与声明目的不相称的无关联环境变量、二进制文件或安装步骤。
✓ 指令范围
SKILL.md 将运行时行为限制在分析事件、扫描即将发生的事件、回测、监控和信号生成。它推荐其他数据/风险技能，但不指示读取无关系统文件或收集环境变量。说明中确实提到了对实时数据源（MDL_data_skill）的需求。
✓ 安装机制
未提供安装规范（仅指令技能）。捆绑了 Python 代码文件，但没有外部安装程序、下载的存档或安装时拉取的不透明第三方包。安装机制的风险较低。
✓ 凭证需求
该技能声明没有必需的环境变量、没有主要凭据，也没有配置路径。这对于仅进行分析的交易策略引擎（依赖外部数据技能获取市场数据）是相称的。
✓ 持久化与权限
always 为 false，该技能可由用户调用；它不请求提升的持久性也不修改其他技能。允许自主调用（平台默认），但不与额外的特权请求结合使用。
安全有层次，运行前请审查代码。
运行时依赖
无特殊依赖
版本
latestv1.0.02026/3/17
event-driven-strategy v1.0.0 - 事件驱动交易策略技能的初始版本发布。支持财报、并购、政策、产品审批、诉讼和管理层变动分析。提供事件日历管理、预期差分析、催化剂强度评估和交易信号生成功能。包括基于 JSON 的操作界面和示例输出。与 MDL_data_skill 和 policy_analysis_skill 集成以获取数据和事件上下文。实施内置风险控制，如仓位规模、止损和事件相关性限制。
● 无害
安装命令
点击复制官方npx clawhub@latest install event-driven-strategy
镜像加速npx clawhub@latest install event-driven-strategy --registry https://cn.longxiaskill.com
技能文档
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
- analyze_event - 分析单个事件机会
- scan_upcoming_events - 扫描即将发生的事件
- backtest_event_pattern - 回测历史事件模式
- monitor_event_reaction - 监控事件后的市场反应
- 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
- 基础数据：MDL_data_skill (QMT)
- 事件数据：公司公告、财经日历
- 预期数据：分析师报告、市场共识
- 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
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。