4、事件检测与信号生成：基于NLP的事件抽取、正则表达式匹配事件、事件强度打分、信号阈值设定
做事件交易，最核心的问题是什么？
不是你怎么分析，而是你能不能第一时间知道事件发生了。
我早年做量化的时候，吃过这个亏。有一次财报出来，我还在手动刷新页面，结果市场已经反应完了。嗯，从那以后，我就把事件检测这件事，彻底交给了代码。
4.1 事件检测的两条腿：NLP与正则
事件检测，说白了就是从海量文本里捞出我们想要的东西。我个人习惯用两条腿走路：
- 正则表达式：快、准、稳。适合结构化的公告、财报标题。
- NLP事件抽取：灵活、泛化。适合新闻、社交媒体这种非结构化文本。
你想想看，如果只靠正则，遇到「公司拟收购XX」和「公司完成收购XX」这种变体，你得写多少规则？反过来，如果只靠NLP，遇到「分红10派5」这种固定格式，又显得杀鸡用牛刀。
我的经验法则：能用正则的，别用NLP。正则搞不定的，再上NLP。
4.2 正则表达式匹配事件：快刀斩乱麻
正则匹配，我一般用在公告标题上。比如财报、分红、回购、增持这些，格式相对固定。
举个例子，匹配「业绩预增」类事件：
import re
# 匹配业绩预增公告
pattern = r'(业绩|净利润|营收).{0,10}(预增|增长|上升|扭亏)'
text = "公司2024年业绩预增公告"
match = re.search(pattern, text)
if match:
print(f"检测到事件: {match.group()}")
这里有个坑，我踩过。正则写得太宽，容易误报。比如「业绩预增」和「业绩预增幅度低于预期」，前者是利好，后者是利空。所以我的做法是：先粗筛，再精分。
避坑指南：我曾经写过一个「回购」的正则，结果把「回购股份用于注销」和「回购股份用于股权激励」全混在一起了。后来我加了关键词权重，才把两类事件分开。
4.3 NLP事件抽取：让机器读懂新闻
正则搞不定的，就得靠NLP了。我常用的方法是基于预训练模型+触发词的抽取方式。
具体来说，分三步：
- 触发词检测：先找事件关键词，比如「收购」「减持」「中标」。
- 实体识别：找出谁收购了谁，金额多少。
- 事件分类：判断是利好还是利空。
我项目中用过BERT做微调，效果不错。但说实话，对于交易场景，速度比精度更重要。所以我后来改用轻量级的模型，比如ALBERT或者蒸馏版BERT。
from transformers import pipeline
# 加载事件抽取模型
event_extractor = pipeline("text-classification",
model="your-event-model")
text = "公司成功中标5G基站建设项目，金额约2.3亿元"
result = event_extractor(text)
print(f"事件类型: {result[0]['label']}, 置信度: {result[0]['score']:.2f}")
注意：NLP模型不是万能的。我遇到过模型把「公司否认收购传闻」识别成「收购事件」，因为「收购」这个词出现了。所以，否定词处理一定要做。
4.4 事件强度打分：别把蚊子当大象
检测到事件只是第一步。更关键的是，这个事件有多重要？
我设计了一套打分体系，主要看三个维度：
| 维度 | 权重 | 说明 |
|---|---|---|
| 事件类型 | 40% | 并购、财报、政策等基础权重 |
| 金额/规模 | 30% | 占市值比例越高，分数越高 |
| 市场情绪 | 30% | 同行业其他公司的反应 |
举个例子，一个「回购1亿元」的事件，如果公司市值才10亿，那强度分就很高。如果市值1000亿，那也就是个普通事件。
def event_strength_score(event_type, amount, market_cap, sentiment):
# 基础分
base_score = {
'并购': 80,
'财报': 70,
'回购': 60,
'减持': 50
}.get(event_type, 30)
# 规模分
ratio = amount / market_cap
scale_score = min(ratio * 100, 100)
# 情绪分
sentiment_score = sentiment * 100
# 加权总分
total = base_score * 0.4 + scale_score * 0.3 + sentiment_score * 0.3
return total
我个人习惯：强度分低于40的事件，我基本不看。因为噪音太多，容易干扰判断。
4.5 信号阈值设定：别让系统乱叫
有了强度分，接下来就是设阈值。阈值设得太低，系统天天报警，你根本看不过来。设得太高，又容易错过机会。
我的做法是动态阈值：
- 基础阈值：固定60分，低于这个的直接过滤。
- 动态调整：根据市场波动率调整。波动大的时候，阈值提高10-20分。
- 事件类型差异化：并购类事件阈值设低点（50分），因为机会难得。日常公告类设高点（70分）。
我曾经犯过一个错：把所有事件的阈值都设成一样的。结果并购机会没抓到，日常公告倒是堆了一堆。后来改成差异化阈值，效果好了很多。
小技巧：你可以用历史回测来优化阈值。比如回测过去一年，看看阈值设在多少时，信号准确率最高。
4.6 知识体系总览
下面这张图，是我做事件检测的完整流程。你可以把它当成一个参考框架：
这张图里，我特别想强调一点：正则和NLP不是二选一，而是互补的。结构化文本走正则，非结构化文本走NLP，最后汇合到一起做强度打分。
好了，事件检测和信号生成这部分，核心就是这些。记住：快、准、稳，三个字就够了。