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:

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：

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:

1. SimHei (黑体，Windows/macOS)
2. WenQuanYi Micro Hei (Linux常用)
3. Noto Sans CJK SC (现代Linux)
4. 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: \x3Cindicator>_\x3CYYYYMMDD>_\x3Cdirection>

• 例如: brent_crude_20260328_increase

输出目录: ~/.openclaw/workspace/memory/reports/\x3Canalysis_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:

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 \x3Cindicator_id> --years 30 --output ${OUTPUT_DIR}/data/\x3Cindicator_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/\x3Cindicator_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）:

多经济体分析范围 ⭐ 核心改动（必须覆盖）:

⚠️ 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):

执行:

python scripts/infer_related_assets.py --indicator \x3Cindicator_id> --direction \x3Cincrease|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:

图表规范（核心改动）:

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:

执行:

python scripts/generate_charts.py \
    --primary-indicator \x3Cindicator_id> \
    --primary-data ${OUTPUT_DIR}/data/\x3Cindicator_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:

1. 🎯 核心结论（优先展示）
2. 当前事件特征
3. 历史相似事件列表
4. 变动幅度表格（从最新到最早）
5. 汇总统计
6. 📈 时序对比图（嵌入Markdown） ⭐ 新增
7. 📊 表现汇总图
8. 🔥 事件矩阵热力图
9. 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 \x3Cindicator_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):

1. 🎯 核心结论（优先展示）
2. 事件概述
3. 当前事件特征
4. 历史相似事件
5. 相关资产推论
6. 历史变动幅度表格（新增，从最新到最早）
7. 历史表现汇总
8. 图表说明
9. 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: \x3Cprimary_indicator>_vs_\x3Crelated_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

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：

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

• 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:

1. 创建输出目录 → ~/.openclaw/workspace/memory/reports/brent_crude_20260328_increase/
2. 识别 → brent_crude
3. 获取 → 30年布伦特原油数据 → ${OUTPUT_DIR}/data/brent_crude.json
4. 提取 → 当前: 90天内+40%（上涨）
5. 查找 → 5次历史油价暴涨事件 → ${OUTPUT_DIR}/events.json
6. 推论 → 能源ETF(受益)、航空ETF(受损)、黄金(对冲) → ${OUTPUT_DIR}/related.json
7. 分析 → 各资产在各历史事件期间的收益 → ${OUTPUT_DIR}/performance.json
8. 图表 → 时序对比图(每类资产一张)、表现汇总图 → ${OUTPUT_DIR}/charts/
9. 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