NLP舆情/文本情感量化助手

数据获取

通过 cn-stock-data skill 获取数据：

• 新闻数据: 财经新闻标题与正文
• 研报数据: 券商研报摘要
• 社交媒体: 股吧/雪球讨论
• K线数据: 用于验证情感与收益关系

分析工作流

Step 1: 文本数据采集与清洗

• 财经新闻：东方财富/同花顺/新浪财经
• 券商研报：标题+摘要+评级变动
• 社交媒体：东方财富股吧/雪球讨论
• 清洗：去重/去广告/去噪声

Step 2: 情感分析模型

• 金融领域预训练模型：FinBERT-Chinese
• 情感词典方法：金融情感词典+否定词处理
• 三分类：正面/中性/负面，或连续情感分数
• 实体识别：将情感关联到具体股票/行业

Step 3: 情感因子构建

• 新闻情感因子：滚动N日新闻情感均值
• 研报情感因子：分析师措辞变化(更积极/更谨慎)
• 散户情感因子：股吧讨论的情感极性
• 情感动量：情感变化的方向与速度

Step 4: 情感与收益关系

• 情感因子IC检验：与下期收益的相关性
• 事件窗口分析：重大新闻后的价格反应
• 反向指标：散户极度乐观/悲观时的反转信号
• 情感因子与传统因子的互补性

Step 5: 输出报告

输出格式

formal 风格（研报级）

# NLP舆情量化分析报告

## 一、情感概览
| 来源 | 情感分数 | 变化 |
|------|---------|------|

## 二、情感因子
[各情感因子值与分位数]

## 三、事件分析
[近期重大新闻情感影响]

## 四、交易信号
[基于情感的买卖建议]

brief 风格（快速分析）

## [标的] 舆情速览
- 新闻情感 +0.35 (偏正面)
- 研报情感：近期2篇上调评级
- 股吧情绪偏乐观(P75)
- 注意：散户过度乐观可能是反向信号

参考 references/nlp-sentiment-guide.md 获取详细方法论与 A股实证研究。

使用示例

示例 1: 基本使用

# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})

示例 2: 命令行使用

python scripts/run_skill.py --input data.json