第2章事件分类与数据源

第二章：事件分类与数据源

做事件驱动策略，说白了就是跟市场抢时间。你得比大多数人先知道发生了什么，还得知道这事儿到底有多重要。我刚开始做这行时，以为只要盯着新闻联播就够了——后来发现，信息源的质量直接决定了策略的生死。

今天咱们聊聊事件怎么分类，数据从哪来。嗯，这部分内容我踩过的坑不少，希望能帮你少走弯路。

宏观事件，就是那些能撼动整个市场的东西。我个人习惯把它们分成两类：预期内的和预期外的。

预期内的，比如美联储每月一次的议息会议。市场早就把加息25个基点还是50个基点算得明明白白。这时候你冲进去，大概率是给别人接盘。

预期外的，比如突然的紧急降息、非农数据大幅偏离预期。这类事件才是真正的利润来源。

核心逻辑：宏观事件驱动的本质是「预期差交易」。市场已经price in的东西，你再去追就没意义了。

举个例子，非农数据公布前，市场普遍预期新增就业20万人。结果实际数据出来是35万——这就是一个典型的预期差。我记得有一次，非农数据远超预期，美元指数瞬间跳涨0.8%，黄金暴跌。如果你提前挂好了止损单，这一波就能吃到肉。

数据源方面，我推荐以下几个：

我的小技巧：非农数据公布前5分钟，我会把交易系统的日志级别调到DEBUG。这样能精确记录每一笔订单的触发时间，方便事后复盘。

微观事件，说白了就是跟具体公司相关的消息。这类事件的特点是：影响范围小，但爆发力强。

财报季是微观事件最密集的时候。一家公司营收超预期10%，股价可能直接跳涨15%。但这里有个坑——你得区分「真超预期」还是「假超预期」。什么叫假超预期？就是公司通过一次性收入、会计调整等手段，把报表做得好看。我见过太多新手看到EPS超预期就冲进去，结果第二天就被套牢。

并购事件更有意思。收购方和被收购方的股价反应完全不同。被收购方通常能涨20%-30%，收购方反而可能跌。为什么？因为市场担心收购价格太高，损害股东利益。

分红事件相对温和，但胜在稳定。除息日前后，股价会自然调整。如果你做的是高频套利，可以盯着分红日历做短线。

避坑指南：我曾经在财报季用爬虫抓取所有公司的营收数据，结果发现有些公司提前泄露了信息。后来我加了一个「发布时间校验」模块——如果数据在官方发布前就出现在某些论坛上，直接标记为可疑数据，不参与交易。

另类数据，就是那些传统金融数据里没有的东西。这几年越来越火，但说实话，质量参差不齐。

舆情数据，说白了就是看大家都在聊什么。Twitter、Reddit、微博上的讨论热度，往往能提前反映市场情绪。我做过一个实验：用NLP分析某只股票在Twitter上的情感倾向，发现负面情绪指数与次日股价下跌的相关性高达0.6。

但这里有个问题——噪音太多。一条假新闻就能让情感指数瞬间翻红。我的做法是：结合多个数据源做交叉验证。比如Twitter上的负面情绪，如果同时出现在StockTwits和Seeking Alpha上，那可信度就高很多。

卫星图像听起来很科幻，其实已经有不少公司在做了。比如通过分析停车场车辆数量，预测零售商的客流量；通过分析油轮位置，预测原油供应量。嗯，这类数据的门槛比较高，一般需要跟专业数据供应商合作。

我的经验：另类数据最大的价值不是预测，而是「提前确认」。比如财报发布前，通过卫星图像看到某工厂的烟囱冒烟了——这至少说明公司还在正常生产，没有停产风险。

数据源推荐：

下面这张图，是我自己整理的事件驱动策略数据流。你想想看，从事件发生到策略执行，中间要经过多少环节？

从这张图你能看到，事件驱动策略不是简单的「听到消息就下单」。你得先确认事件的真伪，再计算预期差，最后还要考虑仓位和风控。每一步都可能出问题。

一个小建议：刚开始做事件驱动策略时，别贪多。先盯住一类事件（比如财报），把数据流跑通，再慢慢扩展。我见过太多人一上来就想覆盖所有事件，结果数据源乱成一锅粥，策略根本跑不起来。

好了，这一章的内容就到这里。数据源是事件驱动策略的基石，选对了事半功倍，选错了事倍功半。下一章咱们聊聊怎么把这些数据转化成交易信号——那才是真正考验功力的地方。