claude-trading-skills 之 market-news-analyst:十日线重大市场新闻的量化评分与跨资产影响分析实战指南
claude-trading-skills 之 market-news-analyst:十日线重大市场新闻的量化评分与跨资产影响分析实战指南
本篇技术指南围绕 claude-trading-skills 仓库中的 Market News Analyst 技能展开:它如何用一套可复制的 Impact Score 公式(价格冲击 × 影响广度 × 前瞻修正)对过去 10 天内影响市场的新闻事件排序,并通过 WebSearch/WebFetch 完成六大新闻类别的并行采集、知识库条件加载与多资产(股、债、商品、外汇)反应分析。读完本文,你将掌握该技能的完整 6 步工作流、全部评分阈值表与报告模板结构,并能在 FOMC 决议、财报季、地缘政治、通胀数据等 7 类场景下写出可直接使用的提示词,还能将其接入仓库既有的 workflow 与 skillset。
1. 技能定位:无 API 依赖的纯对话式新闻影响分析
Market News Analyst(market-news-analyst)的目标是:自动收集并分析过去 10 天内最重要的市场驱动新闻,用量化 Impact Score 公式为每个事件打分排序,并在股票、债券、大宗商品、外汇四个资产维度上评估实际市场反应。
结合仓库中的注册与技能定义文件,可以确认它的几个关键属性:
- skills-index.yaml 中该条目标记为
category: market-regime、status: production、knowledge_only: true,唯一集成项是websearch(type: web,requirement: required),输入为news_search_query与date_range,输出为news_impact_report,所属 workflow 为multi-asset-opportunity-daily; - SKILL.md 的 Prerequisites 明确:需要 WebSearch 与 WebFetch 两个工具,不需要任何 API Key,金融术语知识有帮助但非必须;
- 该技能没有 Python 脚本实现,仓库内唯一的代码是契约测试(见 第 8 节),这与其
knowledge_only的定位一致——它是一个由提示词驱动的知识型技能。
它解决的核心问题:
- 系统化识别过去 10 天内最重要的市场事件,而不是被动接收恰好看到的头条;
- 用量化评分公式替代主观"感觉";
- 在一份报告中完成跨资产(股、债、商品、外汇)反应分析;
- 将实际市场反应与历史模式对比,识别异常(Amplified / Dampened / Inverse);
- 在归因时严格区分相关性与因果性。
2. 核心机制:Impact Score 公式与完整阈值
2.1 公式结构
该技能对每个新闻事件计算:
Impact Score = (Price Impact Score x Breadth Multiplier) x Forward-Looking Modifier
三个组成部分及其取值(来源:官方技能文档):
| 组件 | 取值 | 含义 |
|---|---|---|
| Price Impact(价格冲击) | 1–10 分 | 资产价格变动剧烈程度:Negligible=1、Minor=2、Moderate=4、Major=7、Severe=10 |
| Breadth Multiplier(影响广度) | 1x–3x | 波及市场数量:Stock-Specific=1x、Sector-Wide=1.5x、Cross-Asset=2x、Systemic=3x |
| Forward Modifier(前瞻修正) | 0.75x–1.5x | 未来意义:Contrary=-25%、Isolated=0%、Trend Confirm=+25%、Regime Change=+50% |
一个值得注意的细节:SKILL.md 中 Step 3 的公式行文本写作 (Price Impact Score × Breadth Multiplier) + Forward-Looking Modifier,但仓库内所有示例计算(见 impact_assessment_framework.md 与官方文档)均一致地采用乘法形式,例如 (10 × 3) × 1.25 = 37.5。从源码结构看,乘法形式才是实际执行的口径,阅读公式行文本时不必被加号误导。
2.2 价格冲击的分资产阈值
官方文档给出了一张跨资产阈值表,而 references/impact_assessment_framework.md 提供了更完整的逐项标准。合并后的完整阈值如下(框架文件中未列出的资产沿用官方文档阈值):
| 等级 | 股指(S&P 500 等) | 板块(ETF) | 个股(Mega-cap) | 原油(WTI/Brent) | 黄金 | 10Y 美债收益率 | DXY 美元指数 | 基础金属(铜等) | 得分 |
|---|---|---|---|---|---|---|---|---|---|
| Severe | ±2%+ | ±5%+ | ±10%+ 且拖累指数 | ±5%+ | ±3%+ | ±20bps+ | ±1.5%+ | ±4%+ | 10 |
| Major | ±1–2% | ±3–5% | ±5–10% | ±3–5% | ±1.5–3% | ±10–20bps | ±0.75–1.5% | ±2–4% | 7 |
| Moderate | ±0.5–1% | ±1–3% | ±2–5% | ±1–3% | ±0.5–1.5% | ±5–10bps | ±0.3–0.75% | ±1–2% | 4 |
| Minor | ±0.2–0.5% | <1% | — | — | — | — | — | — | 2 |
| Negligible | <0.2% | — | — | — | — | — | — | — | 1 |
其中个股与 DXY、基础金属的阈值来自 impact_assessment_framework.md,其余列来自官方文档的 "Impact Score Thresholds" 表。评分时按事件波及面选取对应资产列来定级。
2.3 影响广度与前瞻修正
Breadth Multipliers(影响广度乘数):
| 范围 | 乘数 | 典型示例 |
|---|---|---|
| Systemic(系统性) | 3x | FOMC 意外决议、银行危机、重大战争 |
| Cross-Asset(跨资产) | 2x | 影响股票 + 债券的通胀意外 |
| Sector-Wide(板块级) | 1.5x | 科技财报集群、能源政策变化 |
| Stock-Specific(个股级) | 1x | 单一公司财报(Mega-cap 除外) |
Forward-Looking Significance(前瞻修正):
| 类型 | 修正 | 含义与示例 |
|---|---|---|
| Regime Change | +50% | 市场结构根本性转变,如 Fed 从加息转向降息 |
| Trend Confirmation | +25% | 强化既有轨迹,如连续偏热的通胀读数 |
| Isolated Event | 0% | 一次性事件,前瞻信号有限,如范围内的单个数据点 |
| Contrary Signal | -25% | 与主流叙事相悖,如"好消息被无视、坏消息反弹" |
2.4 四个完整算例
impact_assessment_framework.md 给出了四个覆盖不同事件类型的算例,值得逐一对照:
算例 1:FOMC 意外加息 75bps(鹰派基调) —— 官方文档的主算例
- Price Impact:S&P 500 -2.5% → Severe(10 分)
- Breadth:股票、债券、USD、商品全部反应 → Systemic(3x)
- Forward:持续紧缩周期 → Trend Confirmation(×1.25)
- Impact Score:(10 × 3) × 1.25 = 37.5
算例 2:NVIDIA 财报超预期
- Price Impact:NVDA +15%、Nasdaq +1.5% → Severe(10 分)
- Breadth:半导体及整体科技板块 → Sector-Wide(1.5x)
- Forward:确认 AI 需求趋势 → ×1.25
- Impact Score:(10 × 1.5) × 1.25 = 18.75
算例 3:中东地缘政治升级
- Price Impact:油价 +8%、S&P -1.2% → Severe(10 分)
- Breadth:油、股、金联动 → Cross-Asset(2x)
- Forward:孤立事件、无进一步升级 → ×1.0
- Impact Score:(10 × 2) × 1.0 = 20
算例 4:非 Mega-cap 个股财报
- Price Impact:个股 +12% 但未带动指数 → Major(7 分)
- Breadth:个股级 → 1x
- Forward:孤立事件 → ×1.0
- Impact Score:(7 × 1) × 1.0 = 7
这四个算例恰好展示了评分体系的分辨力:同样是 Severe 价格冲击,Mega-cap 财报(18.75)与系统性 FOMC 意外(37.5)因广度乘数相差一倍以上而拉开了量级差距。
3. 前置条件与快速上手
- API Key: 无需任何密钥;
- 数据源: Claude 通过 WebSearch 与 WebFetch 从可信财经源收集新闻(Bloomberg、Reuters、WSJ、FT、CNBC 及政府官方源);
- 无 Python 依赖: 纯对话式技能,无 CLI 脚本;
- 环境要求: WebSearch 与 WebFetch 工具必须可用;
- 分析窗口: 固定为当前日期往前推 10 天,以美国股市与大宗商品为主要分析对象,FOMC 等央行政策事件享有最高分析优先级。
最小上手提示词:
Analyze the major market news from the past 10 days
Claude 会并行执行六大新闻类别的网络搜索、为每个事件评分,并生成排序报告。若需要聚焦分析:
How did the latest FOMC decision impact the market? Full multi-asset analysis.
六大新闻类别与搜索目标(来自官方文档 "News Category Search Targets" 表):
| 类别 | 搜索主题 | 优先来源 |
|---|---|---|
| Monetary Policy(货币政策) | FOMC、ECB、BOJ、利率决议 | FederalReserve.gov、WSJ、Reuters |
| Economic Data(经济数据) | CPI、NFP、GDP、PPI | BLS.gov、BEA.gov、Bloomberg |
| Mega-Cap Earnings(巨头财报) | Magnificent 7、银行、医疗 | 公司 IR 页面、SEC EDGAR |
| Geopolitical(地缘政治) | 冲突、制裁、贸易争端 | Reuters、FT、Bloomberg |
| Commodities(大宗商品) | 油、金、OPEC、供应中断 | S&P Global Platts、Reuters |
| Corporate(公司事件) | M&A、破产、信用降级 | Bloomberg、WSJ、SEC |
SKILL.md 中还给出了每类的具体搜索模板,例如货币政策类为 "FOMC meeting past 10 days"、"ECB policy decision";经济数据类为 "CPI inflation report [current month]"、"jobs report NFP";巨头财报类则逐一列出 "Apple earnings [current quarter]" 至 "Google earnings"。来源按优先级排列为:① 官方源(FederalReserve.gov、SEC.gov EDGAR、Treasury.gov、BLS.gov)→ ② Tier 1 财经媒体(Bloomberg、Reuters、WSJ、FT)→ ③ 专业源(CNBC 实时、MarketWatch 摘要、S&P Global Platts 商品)。收集阶段必须记录发布日期以确认新闻落在 10 天窗口内,并捕获:事件日期、来源、标题、关键细节、市场时段背景(盘前/盘中/盘后)。
4. 六步工作流详解
SKILL.md 定义的结构化 6 步工作流是该技能的执行骨架:
Step 1:新闻采集(WebSearch/WebFetch)
并行执行六大类别的 WebSearch 查询;对官方源或主流媒体的具体页面用 WebFetch 抓取原文。过滤标准:聚焦 Tier 1 市场驱动事件,优先有明确市场反应(价格变动、成交量异常)的新闻,排除小盘股个股新闻、次要产品更新和例行申报。每条入选新闻需记录日期时间、事件类型、来源可信度层级、可观测的初始市场反应。
Step 2:知识库条件加载
根据 Step 1 收集到的新闻类型按需加载参考文件(完整的条件加载逻辑见 SKILL.md Step 2):
| 文件 | 加载时机 | 内容 |
|---|---|---|
| references/market_event_patterns.md | 始终加载 | 央行政策、通胀、就业、GDP、地缘、财报、信用事件、衰退指标的历史反应模式;含 2008、疫情、2022 通胀案例研究 |
| references/trusted_news_sources.md | 始终加载 | 四层来源可信度指南、搜索策略、按新闻类型选源 |
| references/geopolitical_commodity_correlations.md | 检测到地缘政治事件时 | 能源、贵金属、基础金属、农产品与地缘的关联;分区域框架 |
| references/corporate_news_impact.md | 检测到 Mega-cap 财报时 | Magnificent 7 分析框架、板块传染模式、并购影响 |
各文件的详细目录见 references/reference_index.md。加载知识库的目的是"知识整合":对照历史模式预测预期反应、识别异常、判断反应幅度是否典型、确认板块传染是否按预期发生。
其中 market_event_patterns.md 的内容相当具体,例如:FOMC 加息的典型反应是"成长/科技股为负、债券收益率上行、USD 走强、黄金因持有成本上升而走弱",并区分 Hawkish(risk-off、USD 强)与 Dovish(risk-on、USD 弱)基调;BOJ 部分强调 YCC 调整时 JPY 的极端波动与套息交易含义;CPI 超预期则对应"股指承压、收益率急升、美元走强、黄金多空交织"。这些模式正是 Step 4 中"Expected vs Actual"对比的基准。
Step 3:影响量级评估
对每条新闻按第 2 节的三维度框架评分(资产价格冲击、影响广度、前瞻意义),评分细则见 references/impact_assessment_framework.md。全部评分完成后从高到低排序,该排序即报告的呈现顺序。
Step 4:市场反应分析
对每个 Impact Score > 5 的重要事件执行详细反应分析:
- 即时反应(日内): 方向(正/负/混合)、幅度(对齐价格冲击分级)、时点(盘前/盘中/盘后)、波动率(VIX 变化、买卖价差);
- 多资产响应:
- 股票:S&P 500、Nasdaq、Dow、Russell 2000 指数表现;板块轮动;Mega-cap 个股;成长/价值、大盘/小盘分化;
- 债券:2Y/10Y/30Y 美债收益率、收益率曲线形态(陡峭/平坦/倒挂)、信用利差(IG、HY)、TIPS 盈亏平衡(通胀预期);
- 商品:能源(WTI/Brent、天然气)、贵金属(金银)、基础金属(铜铝)、农产品(相关时);
- 外汇:DXY、EUR/USD、USD/JPY、GBP/USD、新兴市场货币、避险货币(JPY、CHF);
- 衍生品:VIX、期权活动(put/call 比率、异常成交)、期货持仓;
- 模式对比: 将实际反应与知识库中的预期模式归类为四类:
- Consistent(一致): 如 Fed 加息 → 科技股跌、USD 涨,符合历史;
- Amplified(放大): 反应超过典型幅度,如通胀超预期 0.3% 引发 2 倍于典型的抛售——需排查仓位、情绪、累积因素;
- Dampened(钝化): 反应弱于历史模式,如地缘事件但油价几乎未动——排查是否已被定价或有对冲因素;
- Inverse(反向): 与历史模式相反,如"好消息被无视、坏消息反弹"——排查 "good news is bad news" 动态或 Fed 转向预期;
- 异常识别: 市场无视典型驱动新闻、对次要新闻过度反应、传染未按预期扩散、避险资产失效(相关性破裂);
- 情绪指标: Risk-On/Off 主导状态、拥挤交易解除的证据、后续交易日的跟进或反转。
Step 5:相关性与因果性评估
当窗口内出现多个重要事件时,按 references/correlation_causation_assessment.md 分析事件间交互:
- Reinforcing(同向叠加): 鹰派 FOMC + 偏热 CPI → 对股指双空,合成影响常呈非线性(大于部分之和);
- Offsetting(反向抵消): 强劲财报(正)+ 地缘紧张(负)→ 净反应被削弱,需判断哪一方主导;
- Sequential(序列依赖): 首次加息反应平淡、第二次加息反应剧烈(累积紧缩担忧),路径依赖至关重要;
- Coincidental(时间巧合): 事件彼此无关但同期发生,难以隔离各自影响,归因时需明确标注不确定性。
该文件还要求追踪传导机制:直接渠道(OPEC 减产 → 油价立涨)、间接渠道(加息 → 房贷利率上行 → 房地产放缓 → 房建股下跌)、情绪渠道(银行危机 → 避险 → 国债涨/股票跌)、反馈回路(股票抛售 → 追加保证金 → 强制卖出 → 更深抛售)。
Step 6:报告生成
生成结构化英文 Markdown 报告。文件命名规范:
market_news_analysis_[START_DATE]_to_[END_DATE].md
# 例:market_news_analysis_2024-10-25_to_2024-11-03.md
需要注意的一个差异:官方文档说"Reports are saved to the reports/ directory",而 SKILL.md 的 Output 一节更精确地说明:技能默认在对话中呈现分析,不自动落盘文件;完整工作流执行后,Claude 生成符合模板的 Markdown 报告,在用户要求时保存到 reports/ 目录。因此实际使用时可显式要求"将报告保存到 reports/ 目录"。
5. 报告结构与模板解剖
报告遵循固定 7 段结构(官方文档第 6 节),完整版式见 references/report_template.md:
- Executive Summary —— 3–4 句:分析区间(具体日期)、重要事件数量、主导主题/市场状态(risk-on/risk-off、板块轮动)、排名最高的 1–2 个事件;
- Market Impact Rankings —— 按 Impact Score 降序的表格,列为 Rank / Event / Date / Impact Score / Asset Classes Affected / Market Reaction;
- Detailed Event Analysis —— 对每个排名事件提供:事件摘要(含意外程度与前瞻指引)、多资产市场反应(当日即时 + 后续跟进)、模式对比(Expected vs Actual,归类 Consistent/Amplified/Dampened/Inverse)、Impact Score 计算拆解(
([Price Score] × [Breadth]) × [Forward Modifier] = [Total])、板块级影响;地缘事件额外附 Geopolitical-Commodity Correlation Analysis 小节(受累商品、供需机制、历史先例、预期持续时间——临时冲击还是持续抬升); - Thematic Synthesis —— 主导市场叙事、事件间联动与序列因果、市场状态评估(risk appetite + 证据:板块表现、避险资金流、信用利差、VIX)、异常与意外清单;
- Commodity Market Deep Dive —— 专章覆盖能源、贵金属、基础金属、农产品,每个商品关联主分析中的地缘事件并给出相关性判断(如铜作为"经济晴雨表"的需求信号、"China Factor");
- Forward-Looking Implications —— 市场定位洞察、即将到来的催化剂(下一次 FOMC 预期、财报季、地缘观察点)、3–5 个带概率与潜在影响的风险情景;
- Data Sources and Methodology —— 按层级列出咨询的新闻源、分析区间(起止日期、共 10 天)、市场数据来源、引用的知识库文件。
报告质量标准(来自 SKILL.md):客观、基于事实(不做概率加权情景之外的投机);所有价格变动量化为具体百分比;重要论断标注来源;严格区分相关与因果;归因不确定时明确承认;全程使用规范金融术语与英文。
6. 七类实战场景与提示词
官方文档给出 7 个典型用法,以下完整保留其提示词与预期产出要点:
场景 1:完整 10 日分析(默认)
Analyze the major market news from the past 10 days
产出覆盖所有重要事件的 Impact Score 排序报告、多资产反应分析、识别主导市场叙事的主题综合,以及前瞻风险情景。适合作为标准周度研究流程——保证你掌握"移动了市场的一切",而不仅是恰好看到的头条。
场景 2:FOMC 决议分析
Analyze the latest Fed decision -- rate action, dot plot, market reaction across all asset classes
产出包括利率决议、投票数、点阵图变化、Powell 发布会要点,以及全资产反应:股指与板块轮动、2Y/10Y/30Y 曲线形态、DXY 与主要货币对、油与金、VIX,并与相似 Fed 动作的历史反应模式对比。FOMC 决议通常产生最高 Impact Score(系统性广度 + 潜在体制转变),聚焦提示词能捕获单一政策事件的全部传导渠道。
场景 3:财报季覆盖
Review mega-cap earnings from the past 10 days and their market impact
产出:Magnificent 7 及其他 Mega-cap 的超预期/不及预期幅度(相对一致预期)、指引变化、营收增长趋势、市场反应(跳空与跟进)、板块传染(财报是带动还是拖累了整个板块?)、按市值加权的指数级影响。传染模式本身揭示市场仓位状态——例如"Apple 不及预期且科技板块整体下跌"与"Apple 不及预期但科技板块反弹"传递的是完全不同的信号。
场景 4:地缘政治事件影响
Analyze recent geopolitical events and their impact on commodities and equity markets
产出:冲突/制裁/贸易紧张下的具体商品价格冲击(油、金、基本金属、农产品)、股票板块影响(能源、国防、航空)、避险资金流(JPY、CHF、金),并对照知识库中的地缘-商品关联框架,附预期持续时间判断(临时尖峰 vs 持续抬升)。该框架有助于区分"恐惧驱动尖峰"与"基本面供应中断"。
场景 5:经济数据解读
CPI came in hot -- analyze the inflation data and market reaction
产出:整体 vs 核心 CPI 拆解、与一致预期和上月对比、分项分析(住房、能源、食品、服务)、对 Fed 政策路径的含义、全资产反应。意外幅度会被量化(例如"+0.3% above consensus is a Major surprise")并与历史通胀读数反应对比——这能防止对正常方差过度反应、对真实转变反应不足。
场景 6:大宗商品关联分析
Oil prices spiked 8% this week -- what drove it and what are the knock-on effects?
产出:供给侧分析(OPEC 决定、地缘供应风险、库存数据)、需求侧因素(经济数据、季节性)、连锁影响(能源板块股票、航空、可选消费、TIPS 盈亏平衡、央行政策含义、石油进口国货币)。商品走势往往是现实供需最清晰的表达,从商品价格追踪到股票板块与政策预期的传导机制,才能看到商品本身之外的机会。
场景 7:市场状态检测
Is the market in risk-on or risk-off mode? What's the evidence from the past 10 days?
产出:基于多指标的风险偏好评估——板块轮动(周期 vs 防御、成长 vs 价值)、信用利差(IG 与 HY)、避险资金流(国债、金、JPY)、VIX 水平与趋势、股票广度(大小盘分化)、资金流数据,并标识主导叙事与异常(如"黄金与股指同步上涨暗示的是通胀对冲而非 risk-off")。多指标交叉验证可避免单一指标产生的假信号。
7. 最佳实践、排错与组合用法
7.1 最佳实践(官方文档 Tips & Best Practices 全文要点)
- 每周运行,保持市场感知连续性。 10 天默认窗口天然适合作为周度仪式,每周一早上运行可结构化地回顾市场动态;
- 用聚焦提示词做深度分析。 全量扫描偏广度,当某一事件主导(FOMC、大型财报)时,聚焦提示词能给出该事件传导机制的更深入分析;
- 关注模式偏离。 最具可操作性的洞察来自实际反应与历史模式不同的事件(Dampened 或 Inverse)——这些异常往往暗示仓位变化或体制转换;
- 与其他技能交叉验证。 新闻分析识别出板块级影响后,用 Sector Analyst 做详细图表解读,或用 FinViz Screener 在受影响板块中找个股;
- 盯住 Forward-Looking 部分。 风险情景章节识别出近期新闻"铺好跑道"的即将到来催化剂,这些是最可能产生下一次重大市场波动的事件;
- 验证来源质量。 报告含来源层级,Tier 1(官方政府/央行)来源的事件最可靠,仅有 Tier 3–4 来源的事件应更谨慎对待。
trusted_news_sources.md 对来源体系有完整定义:Tier 1 为央行/政府/SEC 一手源(FRED、BLS、BEA、EDGAR 等),Tier 2 为主流财经媒体(Bloomberg、Reuters、WSJ、FT、CNBC、MarketWatch、Barron's),Tier 3 为专业源(Platts、Rigzone、Caixin、SCMP 等),Tier 4 为研究与分析机构。文件还列出"红旗来源"清单(未经证实的社媒传闻、标题党、pump-and-dump 推销、无编辑标准的博客、无人工编辑的 AI 内容农场)和"速度 vs 准确度"取舍(快速源用于预警、权威源用于分析),最佳实践要求重大新闻至少由 2 个 Tier 2 来源交叉确认。
7.2 四个常见故障与修复
| 症状 | 原因 | 修复 |
|---|---|---|
| 新闻采集不完整 | WebSearch 未必能挖出所有事件,尤其付费墙内容(Bloomberg Terminal、WSJ 订阅内容) | 已知某事件发生时直接点名:"Include the ECB rate decision from March 6 in the analysis";有权限的付费内容可提供具体 URL 让 WebFetch 抓取 |
| Impact Score 偏高/偏低 | 广度乘数与前瞻意义的判断依赖数据质量 | 逐项质询计算过程:"I think the breadth multiplier should be 1.5x (sector-wide) not 2x (cross-asset) because bonds didn't move." Claude 会重新计算 |
| 缺少地缘-商品分析 | 地缘关联参考文件只在采集阶段检测到地缘事件时加载 | 显式要求:"Include geopolitical-commodity correlation analysis in the report." 强制加载该参考文件 |
| 报告过长 | 财报季或 FOMC 周的 10 天窗口事件密集 | 收窄范围:"Analyze only the top 3 market-moving events from the past week" 或 "Focus only on monetary policy and its market impact." |
7.3 与其他技能的组合
官方文档给出的 5 条组合路径:
| 工作流 | 组合方式 |
|---|---|
| 每日市场监控 | Market News Analyst 提供宏观背景 → Economic Calendar Fetcher 查即将发生的事件 → Breadth Chart Analyst 可视化市场健康度 |
| 板块轮动交易 | 新闻分析识别受压/增势板块 → Sector Analyst 做图表级确认 |
| 财报驱动研究 | 新闻分析覆盖 Mega-cap 财报反应 → US Stock Analysis 深挖单只已披露股票 → Earnings Trade Analyzer 为入场设置打分 |
| 风险管理 | 新闻分析识别体制转换(risk-on/off)→ US Market Bubble Detector 做结构性风险评估 → Portfolio Manager 调整仓位 |
| 商品关联股票 | 新闻技能的地缘-商品分析 → FinViz Screener 筛选受益于商品走势的能源/矿业股 |
7.4 在仓库 workflow 与 skillset 中的实际接入点
该技能不孤立于文档,它在仓库的 workflow 编排中已有正式位置:
- workflows/multi-asset-opportunity-daily.yaml 中,
market-news-analyst被列为optional_skills,并在 Step 3("Scan news + catalyst landscape")中被直接调用:标记optional: true,消费hot_themes工件,产出catalyst_news_brief(schema 为scenario_analysis,required: false)。该简报随后在 Step 4 被trade-hypothesis-ideator消费,参与生成排序后的假设卡片。整个 workflow 前置条件为 market-regime-daily 产出非限制性 exposure decision;其manual_review清单也要求人工确认各假设具备书面 thesis 与 kill criterion; - skillsets/market-regime.yaml 中,
market-news-analyst出现在optional_skills列表,作为每日市场状态(allow / restrict / cash-priority)判断的可选信息补充; - skills-index.yaml 的注册条目(
knowledge_only: true、唯一 websearch 集成、输出news_impact_report)与上述用法一致:它作为 workflow 步骤输出研究性简报,而非交易信号。
8. 契约测试:对技能说明书的自动化校验
该技能虽然没有业务 Python 代码,但 scripts/tests/test_skill_contract.py 对其说明书(SKILL.md)执行了三类契约校验,可作为维护此类"纯知识型技能"的参考范式:
test_frontmatter_identifies_market_news_skill—— 解析 SKILL.md 的 YAML frontmatter,断言name == "market-news-analyst",且description包含"market-moving news"与"past 10 days";test_reference_knowledge_base_is_present_and_named—— 断言 4 个知识库文件(references/market_event_patterns.md、references/trusted_news_sources.md、references/geopolitical_commodity_correlations.md、references/corporate_news_impact.md)实际存在于技能目录,且文件路径字符串出现在 SKILL.md 正文中,防止"文档提到但文件缺失"的漂移;test_prompt_contract_requires_recency_sources_and_impact_ranking—— 断言 SKILL.md 同时包含"past 10 days"、"Recommended News Sources"、"publication dates"、"Impact Magnitude Assessment"、"ranked by market impact significance"五个提示词契约关键词,确保 10 天窗口、来源推荐、日期过滤、影响评估与按影响排序这些核心行为不会被后续编辑无意删改。
9. 关键事实与适用边界小结
- 该技能为
knowledge_only类型(skills-index.yaml),无 API Key、无 Python 依赖,运行前提仅是 WebSearch/WebFetch 工具可用; - Impact Score 的完整口径以 impact_assessment_framework.md 的阈值表与四个算例为准;SKILL.md 公式行中的
+与示例计算的乘法形式不一致时,示例口径(乘法)是仓库各处一致采用的; - 报告默认在对话中呈现,落盘
reports/需用户明确要求,命名规范为market_news_analysis_[START]_to_[END].md; - 分析窗口固定 10 天,分析输出与思考全程英文(SKILL.md Important Notes);
- 该技能输出的是研究性新闻影响分析,不是买卖信号;在 multi-asset-opportunity-daily workflow 中其产物
catalyst_news_brief为可选工件,且下游假设卡片仍需manual_review_required人工确认; - 可安装入口为 skill-packages/market-news-analyst.skill 技能包,或直接从 skills/market-news-analyst/ 目录查看完整技能定义与知识库。