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

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:

# 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

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:

~/.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:

# 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:

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:

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:

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:

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:

{
  "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:

# 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）:

# ⭐ 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:

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:

![图表名称](charts/图表文件.png)

执行:

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:

┌─────────────────────────────────────────────┐
│  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