4. 事件识别与标准化：从原始数据到结构化信号

好，我们进入第四章。这一章，说白了就是解决一个核心问题：如何把新闻、公告、社交媒体这些非结构化文本，变成量化模型能吃的结构化数据。

我个人习惯把这一步叫做“炼油”。原油不能直接烧，原始事件文本也不能直接喂给模型。你得先检测、再分类、最后提取关键属性。整个过程，我把它拆成三个环节：事件检测、分类体系构建、属性提取。

4.1 事件检测算法：从文本中“抓”出事件

事件检测，就是判断一段文本里有没有发生“事”。不是所有句子都包含事件。比如“今日天气晴朗”就不是事件，但“公司宣布回购10%股份”就是。

我早期做这个的时候，踩过一个坑。当时直接用关键词匹配，比如“宣布”、“收购”、“减持”。结果呢？召回率极低。很多事件用词很隐晦，比如“公司拟向特定对象发行股票”，这其实是“定向增发”事件，但关键词里没有“增发”二字。

后来我改用基于依存句法分析的方法。核心思路是：找谓语动词 + 核心名词。一个事件，通常由一个动作（动词）和一个主体（名词）构成。

举个例子：

文本：“阿里巴巴宣布以95亿美元收购饿了么”
依存分析结果：
- 主语：阿里巴巴
- 谓语：宣布、收购
- 宾语：饿了么
- 修饰：95亿美元

事件检测逻辑：
if 存在“收购”类动词 + 公司主体 + 金额修饰：
    判定为“收购事件”

嗯，这里要注意。纯规则方法虽然可解释性强，但维护成本高。我现在的做法是规则 + 轻量级模型结合。先用规则做粗筛，再用BERT之类的预训练模型做细分类。这样既保证了速度，又提升了准确率。

4.2 事件分类体系构建：给事件“贴标签”

检测到事件后，你得给它分类。分类体系怎么建？我见过很多团队一上来就搞几十个细分类，结果模型根本学不动。

我的建议是：先粗后细，分层构建。

第一层，按市场影响方向分：

• 利好事件：业绩预增、回购、大股东增持、获得大订单
• 利空事件：业绩预亏、减持、诉讼、监管处罚
• 中性事件：人事变动、股权激励、分红方案

第二层，按业务类型分：

• 资本运作类：增发、配股、并购、回购
• 经营类：订单、合同、产品发布、产能扩张
• 治理类：高管变更、股权激励、分红
• 合规类：诉讼、处罚、问询函

第三层，才是具体的细粒度事件标签。比如“大股东增持”下面，还可以分“竞价增持”和“协议转让增持”。

我在项目中遇到过一个问题：同一个事件，不同来源的表述差异巨大。比如“公司回购股份”和“公司实施股份回购计划”，其实是同一件事。所以分类体系里，一定要做同义词归一化。

4.3 事件属性提取：时间、主体、类型、强度

分类只是第一步。真正让事件变成Alpha因子的，是属性提取。我把它总结为四个核心属性：

属性	含义	提取方法	常见坑点
时间	事件发生/公告的时间点	正则匹配 + 时间解析库（如dateparser）	注意“拟”、“计划”等未来时态
主体	事件涉及的公司/人物	命名实体识别（NER）	简称、曾用名、股票代码映射
类型	事件所属的分类标签	分类模型/规则匹配	多标签事件（如“收购+增发”）
强度	事件对股价的潜在影响程度	情感分析 + 金额/比例量化	主观性太强，需结合历史回测

时间提取，我吃过亏。有些公告写的是“公司于近日收到通知”，这个“近日”怎么处理？我的做法是：优先取公告发布日期。如果文本里有明确日期，再覆盖。千万别用“近日”这种模糊词去猜。

主体提取，核心是实体链接。比如“茅台”要映射到“贵州茅台（600519.SH）”。我维护了一个公司简称-全称-代码的映射表，定期更新。这个表，是事件驱动策略的基础设施。

强度量化，是最难的部分。我个人习惯用事件冲击系数：

冲击系数 = 事件涉及金额 / 公司市值 × 情感极性

举例：
- 回购10亿，市值1000亿，情感为正 → 冲击系数 = 0.01
- 减持5亿，市值100亿，情感为负 → 冲击系数 = -0.05

这个系数，我一般会结合历史回测做校准。比如历史上“大股东减持5%”的平均冲击是-3%，那这个事件的强度就标为-3%。

4.4 知识体系总览

下面这张图，是我对这个流程的总结。你可以把它当作一个事件处理流水线的蓝图。

你看，整个流程是串行的。前一步的输出，是后一步的输入。任何一个环节出问题，都会传导到最终因子。所以我建议，每个环节都要做质量监控。比如事件检测的召回率低于阈值，就触发告警。

最后说一句。事件识别与标准化，是事件驱动策略的地基。地基不稳，上面盖的楼再漂亮也没用。我见过太多团队，花大量精力在因子组合和回测上，结果发现事件数据本身就有问题。嗯，先把这一步做扎实了，后面的事就顺了。

---

公众号:蓝海数据掘金营，微信deep3321