# Event Commentary

> 生成市场事件点评报告。当用户请求分析某个市场事件、突发事件点评、政策解读、行业事件分析、关税影响、技术突破点评、财报点评、黑天鹅事件分析时使用此技能。

- Skill: `wanxingai/event-commentary` (Agent Skill)
- Install (CLI): `npx skillmds@latest add wanxingai/event-commentary`
- Raw SKILL.md: https://api.skillmd.com/api/skills/wanxingai/event-commentary/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: wanxingai (https://skillmd.com/u/wanxingai)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/wanxingai/event-commentary

---


# 事件点评 - 市场事件深度点评生成器

针对突发市场事件生成买方视角的深度点评报告，帮助投资者快速理解事件本质、识别预期差、挖掘Alpha机会。

## 输入参数

| 字段 | 是否必填 | 说明 |
| ---- | ---- | ---- |
| 事件描述 | 必填 | 如"美国对华加征60%关税"、"英伟达发布新一代GPU"、"央行降准50bp" |
| 事件时间 | 选填 | 事件发生时间，不填则默认为近期 |

---

## 数据获取流程

### Step 1: 搜索事件相关新闻与背景

```python
调用 万行-news API（太一数据 MCP search_latest_news / 万行数据 MCP web_search），关键词组合：

1. "[事件关键词]" (近3天) — 获取事件最新进展
2. "[事件关键词] 影响 分析" (近1周) — 获取市场解读
3. "[事件关键词] 历史 复盘" (近1年) — 获取历史同类事件对比
4. "[事件关键词] 产业链 受益 受损" (近1周) — 获取产业链影响分析
```

### Step 2: 搜索相关上市公司

```python
调用 smart_stock_picking(searchstring="[事件相关概念] 龙头股 受益股", searchtype="stock")
获取事件相关的核心上市公司列表
```

如果 smart_stock_picking 未返回理想结果，改用概念筛选：

```python
调用 search_securities_code(query="[事件相关概念]", mode="secname", sectype="001")
搜索该事件概念下的股票列表
```

### Step 2.5: 知识图谱推理辅助（可选增强）

```python
读取 A 股概念知识图谱文件：
/Users/yilin/Downloads/graphrag/output/a_share_knowledge_graph_full.json

该知识图谱包含：
- 股票与概念的关联关系（节点类型：stock, concept）
- 概念与概念的上下游关系（边类型：belongs_to, related_to）
- 产业链上下游传导路径

使用方法：
1. 从 Step 2 获取的候选标的中，提取股票代码
2. 在知识图谱中查找这些股票关联的所有概念节点
3. 通过概念节点向外扩散，发现隐性受益标的（同一概念下的其他股票）
4. 通过上下游关系，挖掘供应链传导受益环节

示例推理逻辑：
- 如果事件涉及"光模块"，知识图谱可揭示：
  光模块 → 关联股票（中际旭创、新易盛、天孚通信...）
  光模块 → 上游概念（光芯片、陶瓷外壳、CW光源...）
  光模块 → 下游概念（数据中心、AI服务器、交换机...）
- 从而发现 MCP 选股可能遗漏的隐性受益标的
```

### Step 3: 获取核心标的财务与行情数据

```python
从 Step 2 结果中选取 3-5 家最具代表性的公司，分别调用：
get_stock_basic_info(stock_code="股票代码1,股票代码2,股票代码3")
get_stock_financial_data(stock_code="股票代码1,股票代码2,股票代码3")
get_stock_daily_quotes_tech(stock_code="股票代码1,股票代码2,股票代码3")
```

### Step 4: 搜索历史同类事件复盘

```python
调用 万行-news API，搜索历史同类事件：
1. "上一次[事件类型] 市场反应 复盘" (近1-3年)
2. "[事件类型] 历史规律 资金博弈" (近3年)
```

### Step 5: 搜索政策与行业背景

```python
调用 万行-news API，搜索政策与行业背景：
1. "[相关行业] 政策 周期 景气度" (近6个月)
2. "[相关行业] 供需 价格 销量" (近3个月)
```

---

## 报告模板

```markdown
# [事件简述] 事件点评

**事件时间**：[YYYY-MM-DD]
**报告类型**：事件点评（买方视角）
**生成时间**：[YYYY-MM-DD HH:MM]

---

## 一、事件内核与预期差 (Event DNA & Consensus Check)

### 背景融合

[时间]，[变量]出现了针对[某因素]的突变，其核心反直觉点在于[...].

### 三维深度解析

**预期位点 (Expectation Positioning)**：
当前市场共识处于什么阶段？是"盲目乐观"、"过度恐慌"还是"完全忽视"？
[分析市场当前对该事件的定价程度，是否存在预期差]

**政策/行业共振度**：
该事件是否与顶层政策周期或行业景气周期形成"共振"？
[分析事件与当前政策导向、行业景气度的叠加效应]

**历史镜像对标**：
复盘历史上同类事件（例如：上一次突发关税、上一次技术突破）的涨跌规律与资金博弈路径。

| 历史事件 | 时间 | 市场反应 | 持续周期 | 最终结果 |
| -------- | ---- | -------- | -------- | -------- |
| [历史事件1] | [时间] | [涨跌幅/板块表现] | [X天/X周] | [最终走势] |
| [历史事件2] | [时间] | [涨跌幅/板块表现] | [X天/X周] | [最终走势] |

---

## 二、深度逻辑点评与传导 (Strategic Logic & Transmission)

### 宏观-微观关联性 (Macro-Micro Connectivity)

该事件如何通过宏观流动性/政策传递到具体行业价格 (P) 或销量 (Q)？

**传导链条**：
```
[宏观变量] → [中观行业] → [微观企业]
[具体传导路径，如"关税上调 → 进口成本上升 → 国产替代加速 → 国内厂商订单增加"]
```

### 定量敏感度分析 (Sensitivity Analysis)

| 核心变量 | 基准值 | +10%波动影响 | -10%波动影响 | 对EPS弹性影响 |
| -------- | ------ | ------------ | ------------ | ------------- |
| [变量1，如关税税率] | [X%] | [具体影响] | [具体影响] | [核心标的EPS变动X%] |
| [变量2，如产品价格] | [X元] | [具体影响] | [具体影响] | [核心标的EPS变动X%] |

### 性质定调 (Categorization)

属于"脉冲式情绪波动"还是"不可逆的基本面拐点"？
[明确事件性质，给出定调判断]

### 时间窗捕捉

预判该逻辑从"被发现"到"被定价"的衰减周期。
- **预期发酵期**：[X天]，市场逐步消化信息，股价快速反应
- **逻辑验证期**：[X周/X月]，需要数据验证（如财报、订单、价格）
- **定价完成期**：[X月]，逻辑充分定价，超额收益衰减

---

## 三、Alpha 机会全景矩阵 (Opportunity Scan & High Conviction)

### 纵向供应链穿透

```
[上游资源] → [中游制造] → [下游应用]
```

**价值量转移方向**：[描述价值链从哪个环节向哪个环节转移]

### 业务纯度对比 (Purity Mapping)

在同类标的中，谁受该事件驱动的业务占比最高？其弹性是否具有"非对称性"？

| 公司 | 代码 | 相关业务占比 | 弹性特征 | 估值水平 |
| ---- | ---- | ------------ | -------- | -------- |
| [公司1] | [代码] | [X%] | [高弹性/低弹性/非对称] | [PE/PB] |
| [公司2] | [代码] | [X%] | [高弹性/低弹性/非对称] | [PE/PB] |

### 隐性受益环 (Hidden Winners)

挖掘替代品、配套耗材、或具备"期权价值"的小市值黑马。
- **替代品受益**：[如"关税导致进口受限，国产XX替代加速"]
- **配套耗材受益**：[如"XX需求爆发带动配套YY耗材需求"]
- **期权价值标的**：[如"小市值公司具备XX技术储备，一旦突破将大幅受益"]

### 核心配置清单 (Active Pick List)

| 环节/标的 | 代码 | 逻辑厚度 (Logic Depth) | 目标位/关键验证点 |
| -------- | ---- | ---------------------- | ----------------- |
| **首选弹性标的** | [代码] | 它是[变量]变动的一阶受益方，且当前股价处于[位点]。 | [时间/价格节点] |
| **预期差标的** | [代码] | 市场误判其为受损方，实则[逻辑]，具备极强的反转弹性。 | [催化剂触发点] |
| **隐性受益标的** | [代码] | [逻辑描述] | [催化剂触发点] |

---

## 四、终极延伸与认知差 (Extended Edge & Blind spots)

### 反脆弱性思考 (Anti-Fragility)

如果事件向最坏的方向演化，哪个标的具备最强的"安全边际"或对冲属性？
[分析在最坏情景下，哪些标的具有防御性或对冲价值]

### 跨界蝴蝶效应

该事件可能意外触发[看似无关行业]的价值重估。
[挖掘跨行业的间接影响，如"关税战 → 人民币贬值 → 出口型企业受益"]

### 黑天鹅/灰犀牛预警

指出当前博弈逻辑中最大的"逻辑证伪点"或潜在尾部风险。

| 风险类型 | 具体描述 | 触发条件 | 影响程度 |
| -------- | -------- | -------- | -------- |
| [风险1] | [具体描述] | [什么情况下会发生] | 高/中/低 |
| [风险2] | [具体描述] | [什么情况下会发生] | 高/中/低 |

---

**数据来源**：yiyanxuangu MCP、万行新闻（太一数据/万行数据）、A股概念知识图谱
**免责声明**：本报告仅供投研参考，不构成投资建议。市场有风险，投资需谨慎。
```

---

## 输出要求

### 文件命名

`[事件简述]_[YYYYMMDD].md`

示例：`美国对华加征60%关税_20260418.md`

### 产物回传

生成文件后，调用 `deliver_attachments` 工具回传给用户。

---

## 内容质量要求

1. **预期差优先**：必须明确识别市场共识与实际情况的差异，不能仅复述新闻
2. **定量分析**：所有论点需有数据支撑，避免空泛表述；敏感度分析需给出具体数值
3. **历史复盘**：必须提供至少1个历史同类事件对比，包含时间、涨跌幅、持续周期
4. **标的纯度**：核心配置清单中的标的必须说明"业务纯度"（相关业务占比），不能仅凭概念炒作
5. **时间窗明确**：必须给出逻辑定价的时间周期预判（发酵期/验证期/完成期）
6. **风险预警**：必须指出逻辑证伪点和尾部风险，不能只唱多
7. **跨界思维**：必须挖掘至少1个跨行业的间接影响（蝴蝶效应）
8. **反脆弱思考**：必须分析最坏情景下的防御策略
9. **数据时效性**：新闻数据需标注具体日期，财务数据需标注报告期
10. **客观专业**：使用投研术语，避免"优秀""卓越"等营销词汇
11. **知识图谱交叉验证**：核心配置清单中的标的需通过知识图谱验证其概念关联度和产业链位置，优先选择"业务纯度高+图谱关联强"的标的

## 踩坑经验

- smart_stock_picking / 事件相关选股：searchstring 需包含"受益股/龙头股"等关键词，否则可能返回空结果
- 历史事件复盘：搜索时需使用"复盘/历史规律/资金博弈"等关键词，否则容易返回新闻而非分析文章
- 敏感度分析：需结合具体行业特性，如关税事件关注"进口成本→国产替代→订单转移"链条，技术突破关注"渗透率→价格→销量"链条
- 知识图谱使用：图谱文件较大（~50MB），建议先用 Python 脚本提取事件相关子图（相关概念+上下游3度关联），避免全量加载拖慢响应
- 隐性标的挖掘：知识图谱可发现 MCP 选股遗漏的标的，但需人工验证其业务真实性（部分小市值公司仅概念关联，无实际业务）