一个事件驱动量化算法的技术拆解

这篇文章不是比赛说明书，而是一篇从技术实现出发的算法拆解。目标很明确：围绕 pred_compact.py 这份代码，解释这套事件驱动量化框架为什么这样设计、每个模块分别承担什么功能，以及它背后的建模逻辑是什么。

我会尽量避免把讨论写成“代码注释扩写版”，而是把重点放在方法本身。换句话说，这里更关心的不是某一行代码怎么执行，而是这套方法如何把事件、图谱关系与价格信息组织成一个可训练、可验证、可交易的策略系统。

一、这段代码到底在做什么

概括地说，这个算法在做一件事：

把新闻事件、事件和股票的关联关系、股票历史价格这三类信息揉在一起，然后预测“下一个决策周应该买哪几只股票”。

它不是单纯看 K 线，也不是单纯做新闻情绪分析，而是一个混合框架：

  • 用事件信息判断“市场最近在炒什么”
  • 用事件与公司的映射关系判断“谁最可能受影响”
  • 用价格和成交数据判断“这种影响有没有可能兑现成股价表现”
  • 最后用机器学习做排序，挑出最值得买的 3 只股票

如果换一种更贴近研究问题的说法，这个算法试图回答的是：

近期发生的这些事，最后会利好哪些股票，而且这种利好在下周还有没有交易价值？

二、为什么“事件驱动”是一个值得研究的方向

传统量化研究里，价格、成交量与财务数据通常是最先被使用的变量。但如果把时间尺度缩短到几天到几周，市场波动往往并不只是统计规律的自然展开，而是与一系列具体事件密切相关，比如：

  • 某家公司中标大订单
  • 某个行业迎来政策利好
  • 某种资源品价格大涨
  • 某家公司被处罚、减持、爆雷

这些事件往往先作用于预期，再通过交易行为体现在价格上。

因此，事件驱动策略的核心思想可以概括为：

  1. 先找到事件
  2. 再找到被事件影响的股票
  3. 最后判断这种影响会不会在未来一段时间变成收益

这份代码正是沿着这条路径展开的。它并不假定“事件一出现，股价必然上涨”，而是试图进一步判断：哪些事件更重要、哪些股票更可能受益、这种受益是否仍具有尚未兑现的交易价值。

三、这份代码依赖哪些数据

pred_compact.py 不是直接拿一个表就开始训练，它依赖好几类数据。

1. 事件表

events.csv

这里面记录的是事件本身，比如：

  • 事件编号
  • 事件名称
  • 事件日期
  • 影响周期
  • 强度

它对应的是“市场上最近发生了什么”。

2. 事件-股票映射表

event_company_map.csv

这个表非常关键。因为事件本身并不能直接交易，真正可交易的是股票。
所以必须知道：

  • 这个事件影响哪些公司
  • 是直接影响还是间接影响
  • 影响关系有多强

换句话说，这张表负责回答：

事件和股票之间怎么连起来？

3. 股票价格数据

daily_kline_batches 或 price_panel.csv

这部分提供：

  • 开盘价
  • 收盘价
  • 涨跌幅
  • 成交量
  • 成交额

这部分数据负责回答：

就算事件利好，这只股票现在的价格状态适不适合买？

4. 静态辅助数据

包括：

  • 行业信息
  • 上市日期
  • 指数成分股信息

这些变量不是主角，但它们能帮助模型理解股票的背景。

四、这不是泛化意义上的“预测股价”，而是周频交易决策

在量化语境里，“预测”这个词很容易带来误解。很多人看到机器学习模型，首先会想到逐日预测涨跌，甚至预测第二天的收盘价。

但这段代码处理的不是这个问题。

它处理的是一个更接近实务的问题：以周为单位进行选股决策。

它把每周二设为统一的决策点，也就是 decision_tuesday。
然后目标不是预测长期走势，而是预测：

从这个决策周开始，到本周结束，这只股票的收益怎么样？

代码里的标签大致可以理解为：

yi,t=Pi,tsell−Pi,tbuyPi,tbuyy_{i,t} = \frac{P^{\text{sell}}_{i,t} - P^{\text{buy}}_{i,t}}{P^{\text{buy}}_{i,t}}

这个标签的金融含义并不复杂：

  • 在周内找一个买入点
  • 在周末附近卖出
  • 计算这一周的收益率

因此，这套策略既不是高频交易，也不是中长期配置，而是一个典型的短周期事件交易框架。

五、第一步：把事件对齐到可交易的决策时点

事件发生的时间是乱的：

  • 有的在周一
  • 有的在周三
  • 有的在周五

但模型训练需要统一的时间截面，否则不同事件之间就很难放在同一个决策框架下比较。

所以代码做了一件很关键的事情：把不同日期的事件统一映射到决策周二。

核心逻辑是：

  • 如果事件发生在周一，就归到本周周二
  • 如果事件发生在周二及以后，就归到下周周二

代码中的数学表达是： $$ T(e) = \operatorname{next_decision_tuesday}(t_e) $$

这一步的直观含义是：

每一条事件，最终都要被分配到一个“该拿来做交易决策的周”

这一步之所以重要，是因为事件研究里最容易失控的地方恰恰是时间对齐。一旦时间定义含混，后续标签、特征和验证都会一起失真。

六、第二步：为每条“事件-股票边”构造影响权重

这份代码最有意思的地方之一，在于它没有把“事件影响股票”处理成简单的 0/1 关系，而是进一步为每条关系计算了一个连续权重。

这样做的原因并不复杂。

因为现实里不同事件的交易价值差别很大：

  • 有些事件非常强
  • 有些只是边角信息
  • 有些是刚发生的
  • 有些已经发酵很多天
  • 有些股票是直接受益
  • 有些股票只是蹭概念

这些差别如果不被量化，模型最终看到的就只有“有关联”或“没有关联”，信息会过于粗糙。

代码中的权重公式是：

we,i=max⁡(relation_strength,0.05)⋅(1+intensity_score5)⋅decay⋅(1+0.5⋅direct)w_{e,i} = \max(\text{relation\_strength}, 0.05) \cdot \left(1+\frac{\text{intensity\_score}}{5}\right) \cdot \text{decay} \cdot (1+0.5\cdot \text{direct})

这个公式可以拆开来看。

1. relation_strength

它表示事件与股票之间的关联强弱。

比如：

  • 某公司就是事件主体，那关联强度通常很高
  • 某公司只是产业链外围映射，强度就低

2. intensity_score

它表示事件本身的冲击强度。

例如：

  • 普通公告和重大政策的强度显然不一样
  • 一般订单和超大订单的市场影响也不一样

3. decay

它表示时间衰减。

代码里用了半衰期思想：

decay=exp⁡(−ln⁡(2)⋅Δd7)\text{decay} = \exp\left(-\ln(2)\cdot \frac{\Delta d}{7}\right)

它表达的是：

一个事件离决策时点越远，它的影响越弱；大致每过 7 天，影响衰减一半。

这与事件交易的经验事实是吻合的。很多利好如果在一周前已经被充分传播，那么等到正式决策时，其可交易价值往往已经明显下降。

4. direct

它表示该股票是否属于直接受益对象。

如果是直接关系，代码额外乘了 1.5 的加成：

1+0.5⋅direct1 + 0.5 \cdot \text{direct}

这里的含义也很直观：真正的一线受益标的，通常比外围映射标的更具有交易确定性。

七、第三步：识别事件方向

代码没有引入复杂的文本模型，而是用规则法完成了一个相当务实的方向识别。

它会根据：

  • event_name
  • relation_type
  • note

里的关键词，把事件方向划成：

signe,i∈{−1,0,1}\text{sign}_{e,i} \in \{-1,0,1\}

也就是：

  • 1：利多
  • -1：利空
  • 0：中性或不确定

比如：

  • “中标”“订单”“增长”“景气”偏利多
  • “处罚”“亏损”“违约”“减持”偏利空

这一步的意义在于：

模型不只是知道“这只股票有关联事件”，还知道这个事件大概率是好消息还是坏消息。

从建模角度看，这里体现的是一种很克制的取舍：当样本量有限、文本标签质量不完全稳定时，规则法未必落后于复杂 NLP，反而可能更稳健、更可解释。

八、第四步：把多个事件压缩成一个股票周样本

到这里为止，每一条数据还是“某事件影响某股票”的边级别数据。
但机器学习训练时，需要的是“某周某只股票”的样本。

问题在于，一只股票在同一周往往不只对应一个事件。

这里的答案就是：聚合。

设某个决策周里，股票 ii 对应的事件集合为 Ei,tE_{i,t}。
代码会围绕这个集合计算一批统计特征。

1. 事件数量

event_counti,t=∣Ei,t∣\text{event\_count}_{i,t} = |E_{i,t}|

它反映的是，这只股票在本周被多少事件共同覆盖。

2. 正向事件和负向事件数量

positive_event_counti,t=∑e∈Ei,t1(signe,i>0)\text{positive\_event\_count}_{i,t} = \sum_{e\in E_{i,t}} \mathbf{1}(\text{sign}_{e,i}>0) negative_event_counti,t=∑e∈Ei,t1(signe,i<0)\text{negative\_event\_count}_{i,t} = \sum_{e\in E_{i,t}} \mathbf{1}(\text{sign}_{e,i}<0)

这组变量告诉模型：

  • 当前这只股票是“利多事件扎堆”
  • 还是“利空事件堆积”

3. 事件总权重、最大权重、平均权重

row_weight_sumi,t=∑e∈Ei,twe,i\text{row\_weight\_sum}_{i,t} = \sum_{e\in E_{i,t}} w_{e,i} row_weight_maxi,t=max⁡e∈Ei,twe,i\text{row\_weight\_max}_{i,t} = \max_{e\in E_{i,t}} w_{e,i} row_weight_meani,t=1∣Ei,t∣∑e∈Ei,twe,i\text{row\_weight\_mean}_{i,t} = \frac{1}{|E_{i,t}|}\sum_{e\in E_{i,t}} w_{e,i}

这三个量分别对应：

  • 总体驱动力有多强
  • 最强单一事件有多强
  • 平均事件质量怎么样

4. 方向统计

event_sign_sumi,t=∑e∈Ei,tsigne,i\text{event\_sign\_sum}_{i,t} = \sum_{e\in E_{i,t}} \text{sign}_{e,i}

它本质上描述的是：

这一周围绕该股票的事件氛围，整体偏正面还是偏负面？

九、第五步：把事件类别信息压缩进特征体系

事件不只有强弱和方向，还有类型差异。

比如：

  • 公司层面的事件
  • 行业层面的事件
  • 宏观政策事件
  • 地缘事件

这些事件即使都利多，交易逻辑也不一样。

代码在这里采取的是一种很节制的做法：它没有直接展开高维 one-hot，而是把类别先压缩成少量桶，再统计每类事件权重之和。

例如宏观类事件：

driver_w_macro(i,t)=∑e∈Ei,t, driver(e)=macrowe,i\text{driver\_w\_macro}(i,t) = \sum_{e\in E_{i,t},\ \text{driver}(e)=\text{macro}} w_{e,i}

这样处理的好处是：

  • 信息保留了
  • 维度没有爆炸
  • 对小样本更稳

如果要用一句话概括这里的方法论，那就是：好的特征工程，不是把所有信息都塞给模型，而是把信息整理成模型真正能学习的形式。

十、第六步：拼接价格特征，避免“只看事件不看市场状态”

如果一个模型只看事件，不看价格，常见问题是：

  • 有些事件早就被交易过了
  • 有些股票虽然有利好，但走势已经走坏
  • 有些股票短期波动太大，不适合参与

因此，代码又拼接了一批价格状态特征。

1. 动量

close_mom_5=ClosetCloset−5−1\text{close\_mom\_5} = \frac{\text{Close}_t}{\text{Close}_{t-5}} - 1 close_mom_20=ClosetCloset−20−1\text{close\_mom\_20} = \frac{\text{Close}_t}{\text{Close}_{t-20}} - 1

这两个特征分别刻画短期和中短期趋势。

2. 波动率

rt=ClosetCloset−1−1r_t = \frac{\text{Close}_t}{\text{Close}_{t-1}} - 1 volatility_5=std⁡(rt−4:t)\text{volatility\_5} = \operatorname{std}(r_{t-4:t}) volatility_20=std⁡(rt−19:t)\text{volatility\_20} = \operatorname{std}(r_{t-19:t})

波动率高，通常意味着不确定性更高。
同样的事件，在高波动股票和低波动股票上的兑现效率往往并不相同。

3. 成交活跃度

amount_ratio5,20=MA5(amount)MA20(amount)\text{amount\_ratio}_{5,20} = \frac{MA_5(\text{amount})}{MA_{20}(\text{amount})} volume_ratio5,20=MA5(volume)MA20(volume)\text{volume\_ratio}_{5,20} = \frac{MA_5(\text{volume})}{MA_{20}(\text{volume})}

它们反映的是：

这只股票最近有没有明显放量、放额

如果事件刚出现、量价就已经明显活跃，那么至少可以说明市场资金正在注意它。

十一、第七步：补充个股背景与市场背景

除了事件和价格，代码还加了两类常见的辅助变量。

1. 个股背景

比如：

  • 行业是否和事件逻辑匹配
  • 是否是最近上市的新股
  • 是否属于重要指数成分股

这些变量帮助模型理解：

  • 它是不是事件主线上的核心标的
  • 它的风格属性是什么

2. 上周表现

代码还加入了：

prev_week_returni,t=yi,t−1\text{prev\_week\_return}_{i,t} = y_{i,t-1}

以及市场整体的上一周收益背景。

这一步其实是在捕捉一个很现实的现象：

有些股票在事件真正爆发前，资金已经提前埋伏了。

因此，模型不能只看“这周发生了什么”，还要看“市场此前如何反应”。

十二、第八步：为什么这里要用两个模型

这是这份代码里另一个相当值得注意的设计。

它没有只训练一个回归模型，而是同时训练了两个模型：

1. 回归模型

预测未来一周收益率：

y^i,t=freg(xi,t)\hat{y}_{i,t} = f_{\text{reg}}(x_{i,t})

2. 分类模型

预测未来一周上涨概率：

p^i,t=P(yi,t>0∣xi,t)=fcls(xi,t)\hat{p}_{i,t} = P(y_{i,t} > 0 \mid x_{i,t}) = f_{\text{cls}}(x_{i,t})

原因在于：

因为“涨不涨”和“涨多少”不是一回事。

举个例子：

  • A 股票上涨概率高，但每次只涨一点
  • B 股票上涨概率一般，但一旦涨就涨很多

如果你只做分类，可能选到很多“小赚但空间不大”的股票。
如果你只做回归，又可能过度偏好高波动标的。

所以代码把两个问题拆开：

  • 分类模型负责胜率
  • 回归模型负责空间

这是一个非常典型、也非常实用的量化建模思路。

十三、第九步：如何把两个模型的结果合成为最终选股分数

模型训练完之后，还没有直接输出买哪只股票。
它还要再做一层交易决策。

代码定义了一个综合得分：

scorei,t=0.58⋅p^i,t+0.22⋅y^i,tscalet+0.12⋅weight_normi,t+0.08⋅prev_week_returni,t\text{score}_{i,t} = 0.58 \cdot \hat{p}_{i,t} + 0.22 \cdot \frac{\hat{y}_{i,t}}{\text{scale}_t} + 0.12 \cdot \text{weight\_norm}_{i,t} + 0.08 \cdot \text{prev\_week\_return}_{i,t}

这几个部分分别代表：

  • 0.58 * prob_up：先保证上涨概率
  • 0.22 * pred_ret：再看收益空间
  • 0.12 * weight_norm：强化事件主线强度
  • 0.08 * prev_week_return：保留一定趋势延续信息

这一步很像一个“二次决策层”。

也就是说，机器学习模型不是直接给出最终答案，而是先给出若干预测值，再由策略规则把这些预测值转成可交易分数。

如果要概括这里的要点，那就是：量化策略往往不是“模型 = 策略”，而是“模型 + 交易规则 = 策略”。

十四、第十步：最终如何选股与分仓

最终流程是这样的：

  1. 先筛掉上涨概率太低的股票
  2. 在剩下的股票中按综合分排序
  3. 取前 3 只
  4. 给这 3 只股票分配资金比例

分配方法不是主观指定，而是 softmax：

wi=escorei−max⁡(score)∑jescorej−max⁡(score)w_i = \frac{e^{\text{score}_i - \max(\text{score})}}{\sum_j e^{\text{score}_j - \max(\text{score})}}

这个公式的好处是：

  • 分数越高，仓位越大
  • 总权重自动归一化到 1
  • 不容易出现特别极端的仓位

最终输出文件里最重要的三列就是：

  • 事件名称
  • 股票代码
  • 资金比例

到这里，一套完整的事件驱动选股框架就闭环了。

十五、从工程角度看，这份代码为什么值得讨论

在我看来，这份代码最值得讨论的并不是 XGBoost 本身，而是其中体现出的几种建模习惯。

1. 先把问题改写成可监督学习的形式

真实问题是“下周买什么”，代码把它转成了：

  • 输入：事件、图谱、价格特征
  • 输出：下一周收益和上涨概率

只有先把问题结构化，模型才真正有发挥空间。

2. 特征工程比模型堆料更重要

这份代码没有追求特别花哨的模型，但特征工程很扎实：

  • 事件权重
  • 方向判断
  • 时间衰减
  • 多事件聚合
  • 价格状态
  • 上周背景

这再次说明一个现实：在很多中小型量化任务里，特征设计往往比更换模型更重要。

3. 时序验证比随机验证更靠谱

代码没有乱打训练集和测试集，而是按时间滚动验证。
这符合真实交易场景，也能避免未来信息泄露。

4. 模型输出不等于最终交易决策

代码没有直接拿回归结果排序，而是进一步做了综合打分和仓位分配。
这说明它的目标不只是“拟合数据”，而是“落地交易”。

十六、如果要读这份代码，什么顺序更合适

我建议按下面顺序看：

  1. 先看 generate_decision
  2. 再看 fit_as_of
  3. 再看 build_decision_samples
  4. 然后看 _build_price_snapshot
  5. 最后回头看 load_data 和辅助函数

之所以推荐这样看，是因为：

如果一开始就从头顺着读，很容易陷入局部细节。
而从主流程逆推，更容易先看清：

  • 最终输出是什么
  • 为了得到这个输出，需要哪些中间变量
  • 每个特征到底是为了哪一步服务

十七、这套算法的优点与局限

优点

  • 思路完整，从事件到选股再到分仓是一条闭环
  • 特征设计很有金融含义，解释性强
  • 没有盲目堆复杂模型，整体结构较为克制
  • 周频框架噪声相对较小，稳定性更容易控制

不足

  • 事件方向判断还是偏规则法，语义能力有限
  • 没有建模更复杂的事件传播链
  • 没有显式风险控制模块
  • 对更高频、更复杂的交易场景还不够

但从方法展示与比赛算法实现的角度看，这套方案已经相当具有代表性。

十八、写在最后：这套方法真正值得带走的东西

如果读完这篇文章只保留一个判断，我希望是这个：

一个好的量化算法，不是上来就调模型，而是先把金融问题拆成可以计算、可以验证、可以交易的多个小问题。

这份 pred_compact.py 做得好的地方就在这里：

  • 它先定义交易周期
  • 再量化事件影响
  • 再聚合成特征
  • 再训练模型
  • 最后再做选股和分仓

这就是一个完整的技术框架。

把这份代码当成一个模板去看，至少可以学到四件事：

  1. 学会怎样把原始数据整理成样本
  2. 学会怎样把事件转成特征
  3. 学会怎样让模型服务于交易目标
  4. 学会怎样把预测结果变成实际投资决策

如果沿着这个框架继续扩展，比较自然的方向通常有三个：

  • 更好的事件文本理解
  • 更丰富的行业与市场背景特征
  • 更严格的风险控制和仓位管理

附：运行入口

核心代码文件仍然是 pred_compact.py。

运行示例：

python pred_compact.py --root-dir . --target-date 2024-06-18 --output result.xlsx --allow-roll-back

如果准备进一步读这份工程，建议一边看这篇文章，一边对照源代码里的这几个函数：

  • build_weekly_labels
  • build_decision_samples
  • _walk_forward_validate
  • fit_as_of
  • generate_decision

这样会更容易把方法和实现对应起来。