逻辑龙虾事件 API · v1.0
事件如何影响市场:从新闻直觉到可验证的量化研究
市场持续受到事件驱动;关键不在于单条新闻本身,而在于如何将事件自动转化为可计算、可回测、可复核的研究数据。
逻辑龙虾把新闻和财经信息整理为结构化事件,找到其历史相似事件和后续影响,并关联可能受影响的股票与商品期货,供量化研究、投研监控和 AI Agent 使用。
两个事件接口的响应示例
instrument-events 与 recent-events 的返回结构如下。
instrument-events
{
"instrument_id": "cn:SZSE.300750",
"start_datetime": "2026-08-10T17:55:00+08:00",
"end_datetime": "2026-08-10T17:56:00+08:00",
"page": 1,
"page_size": 100,
"has_more": false,
"events": [{
"event_id": "7652b26f-••••-8dfd",
"title": "宁德时代与连云港公交签署五年战略合作",
"summary": "双方将围绕车辆后市场服务与城市换电网络深化合作,助力城市交通低碳发展。",
"impact_label": "合同签署",
"event_family": "announcement",
"event_time": "2026-08-10T17:55:35+08:00",
"relation_role": "direct",
"relation_direction": "positive",
"impact_strength": 0.37,
"relation_reason": "签署五年战略合作,拓展换电网络",
"mechanism_text": "战略合作 → 拓展换电网络及后市场 → 提升电池需求预期",
"mechanism_scope": "单一标的",
"history_hit_rate": 0.418,
"history_sample_size": 72,
"related_instruments": [
{
"instrument_id": "hk:03750",
"role": "direct",
"direction": "positive",
"impact_strength": 0.47,
"reason": "签署五年战略合作,拓展换电网络"
},
{
"instrument_id": "cn:SSE.601008",
"role": "direct",
"direction": "neutral",
"impact_strength": 0.47,
"reason": "标题直接点名主体"
}
],
"similar_events": [
{
"title": "宁德时代与福州公交集团签战略合作",
"similarity_score": 0.9282,
"event_date": "2026-03-10",
"returns": {"ret_3d": 0.02402, "ret_7d": 0.01641}
},
{
"title": "宁德时代与宿迁公交达成战略合作",
"similarity_score": 0.7871,
"event_date": "2026-01-29",
"returns": {"ret_3d": 0.042943, "ret_7d": 0.042771}
},
{
"title": "宁德时代换电业务扩张,与康迪科技合作",
"similarity_score": 0.7598,
"event_date": "2026-02-03",
"returns": {"ret_3d": 0.060935, "ret_7d": 0.080366}
}
]
}]
}标的为宁德时代 A 股 cn:SZSE.300750;related_instruments 列出其他关联标的,并附带 similar_events。
recent-events
{
"since_minutes": 10,
"page": 1,
"page_size": 100,
"has_more": false,
"count": 39,
"events": [
{"title": "Raysearch公布订单后股价上涨4.7%"},
{"title": "盟固利1.87亿股限售股8月12日上市流通"},
{"title": "曙光股份7月整车销量21辆,同比降70%"},
{"title": "阳光焦化撤回IPO,上交所终止审核"},
{"title": "先导基电股价异动,提示多项风险"},
{"title": "奥浦迈股东减持至5%以下"},
{"title": "摩根士丹利增持中际旭创H股,摩根大通减持"},
{"title": "赣粤高速上半年净利降72.81%"},
{"title": "币安将上线美团、快手等永续合约"},
{"title": "富维股份获合资品牌座椅项目定点,预计金额39.36亿元"},
{"title": "… 本页 39 条;全部页合计 39 条"}
]
}since_minutes=10 时,表示最近10分钟,返回 39 条;示例中仅展示部分标题。
01
为什么事件数据有用
行情数据可以描述价格发生了什么,却很难单独解释变化背后的原因。事件数据把分散在新闻与财经信息中的事实、主体、时间和影响关系整理为统一结构,让研究者可以发现新线索、监控持仓、回看价格波动,并把这些信息接入量化策略或 AI Agent。
不预设标的,从全市场新增事件中寻找跨行业、跨资产线索。
把持仓和自选标的关联到持续更新的事件时间线。
结合价格、成交量和相关标的,研究一次波动前后发生了什么。
为量化程序和 AI Agent 提供稳定、可去重的 JSON 输入。
02
数据介绍
2.1 四个接口
v1.0 提供四个只读 GET 接口:两个事件接口、一个日线行情接口,以及一个标的 ID 搜索接口。可按研究需要组合调用。
GET /instrument-events查询标的历史相关事件持仓研究、自选监控、波动回看;单次最长 90 天GET /recent-events扫描近期全市场事件基础筛选后交给 LLM / Agent 分析;单次最长 7 天GET /instrument-daily-barsA 股与商品期货日线 OHLCV辅助事件研究;已有自有行情源时可继续沿用GET /instruments/search名称 / 代码 → 标准 instrument_id只做标的识别,不返回事件或行情2.2 数据来源与处理逻辑
从原始信息到可研究事件,大致经过五个环节:多源汇聚、噪声过滤与事实核查、同事件合并、事件信息增强,以及标的关联。
AI Agent 集群检索与公开渠道;跨市场、跨语言
过滤行情播报、无主体与错误关联,并通过新闻二次确认降低幻觉
多条报道聚合为事件并去重
抽取关系、方向、强度与作用机制
直接提及与行业、产业链泛化,识别可能受影响的股票或期货
多源信息汇聚
信息来源由大规模 AI Agents 集群定时检索获取,并补充国内外新闻媒体、财经资讯平台及其他公开渠道,覆盖跨市场、跨语言与长尾事件。系统会对异构文本进行清洗、统一时间戳,并为后续过滤与聚合提供标准化输入。
噪声过滤与事实核查
系统会进行来源交叉比对、事实核查与质量筛选:过滤单纯价格播报(如“XX 大涨 XX%”)、关联错误或无明显事实的内容,以及缺少明确主体的观点评论;同时通过二次确认,确保每条事件均有可核验的新闻来源。少量尚未完全证实、但可能产生金融影响的公开消息仍可能被保留(例如 2026 年 3 月以来的美伊冲突相关报道中,官方信息事后被证伪的情形相对多见);此外会进行合规过滤,可能造成少量信息遗漏。
同事件合并
一个事件通常对应 10+ 条新闻,热门事件可达 100+ 条。系统会综合摘要、主体、类别和时间窗口,将同事实报道合并去重。若后续出现实质进展(如从传闻到官方确认),会记为新事件而非覆盖旧事件;无法可靠判断是否同一事实时,则保留为独立事件。
事件信息增强
事件形成后,系统使用大模型进行信息增强:补充事件与标的之间的关系、影响方向、强度、作用机制,以及历史相似事件等参考字段。上述字段可能存在误差,仅供研究参考,不应直接作为交易结论。
历史相似事件主要依据“类似事件的影响范围与作用方式”匹配,不要求必须对应同一标的或同一公司,更适合作为机制分析与历史反应的参照。
标的关联
除正文直接点名的公司或品种外,系统还会结合行业、产业链与历史模式做泛化关联。使用时请结合 relation_direction、impact_strength 和 relation_reason。
2.3 数据范围与规模
事件历史从 2025 年 6 月开始(事件生成中一些步骤采用 DeepSeek V4 Pro,该模型使用 2025 年 5 月之前的数据训练;为避免信息泄露,不能回溯更早日期)。
| 市场 | 累计关联事件 | 覆盖标的 / 品种 | 近 10 个工作日日均 |
|---|---|---|---|
| 正在读取最新统计… | |||
“覆盖标的 / 品种”为曾关联过事件的去重标的数;同一事件可能跨市场,各市场事件量不可直接相加。
2.4 时效性与适用边界
最新事件常见端到端延迟约 5—15 分钟(90%情况下)。因此,本接口主要面向中低频策略、事件驱动研究、盘前盘后分析和盘中线索发现,不适合构造短时脉冲策略。
03
如何使用
如果需要基于历史数据做研究,可先使用 GitHub 上的免费数据包:覆盖 instrument-events 接口 2025 年 6 月 1 日至 2026 年 8 月 1 日的 A 股事件,可直接下载使用。若希望持续获取最新数据,建议订阅 API,用于查询给定标的的最新事件,以及全市场事件扫描(覆盖 A 股、港股、美股与商品期货),价格为 99 元/月或 1099 元/年。我们承诺:在收入覆盖成本后,将把利润持续投入信息获取与系统建设——当前 AI Agents 集群运行成本较高——以进一步提升扫描频率、覆盖广度与事件结构化质量。
3.1 回测研究
可通过 GitHub 示例项目免费下载数据并开展研究。项目提供了一个简洁且可复现的 EventCausal 示例策略(规则保持简单,以降低调参过拟合风险),包含两个版本:
- 规则版:当特定类型事件发生且量价条件满足时开仓,并以 EMA 死叉作为平仓条件。
- DeepSeek 结构否决版:获取事件后,再调用大模型(如 DeepSeek)并结合自定义 prompt 进行二次判断与回测。
研究窗口:2025-06-01 → 2026-08-01。超额按「总收益相减」计算。以下结果已计入手续费与摩擦成本,并剔除开盘涨停等不可交易情形;回测仍可能存在未完全覆盖的偏差,使用时请审慎评估。
| 名称 | 总收益 | 年化收益 | 年化波动 | Sharpe | 最大回撤 | 交易笔数 | 相对上证超额 |
|---|---|---|---|---|---|---|---|
| 规则版 | +65.64% | +56.48% | 32.00% | 1.56 | -27.77% | 1584 | +51.65% |
| DeepSeek 结构否决版 | +69.41% | +59.64% | 31.76% | 1.62 | -20.48% | 1570 | +55.42% |
| 上证指数 | +13.99% | — | 13.72% | 0.92 | -11.28% | — | — |
以上结果来自 GitHub 示例项目中的特定样本与仿真假设,不构成收益承诺;历史表现不代表未来收益。
我们已基于同类事件数据构建了效果更为突出的策略,目前仍在仿真验证中,细节暂不便公开。单独的事件信号通常还需结合量价信息与完整策略框架;上方回测仅为可复现示例,用于说明一种研究路径。若您关注事件信息的挖掘与结构化使用方式,欢迎进一步交流。
3.2 在 AI 工具中构建研究工作台
将 API 接入 Codex、Claude Code、WorkBuddy 等工具后,可构建轻量级「事件工作台」:按需拉取事件,再依据既定研究框架进行二次研判。
- 使用
recent-events获取隔夜或最近时间窗口内的全市场新事件; - 使用
instrument-events查询关注标的的最新相关事件。
以盘前流程为例:先调用 recent-events 扫描最近 12 小时事件并按主题初筛;对进入观察池的标的再查询 instrument-events,评估近几日是否已有同类事件、价格是否已部分反映;最后按自定义 prompt 输出「事实 / 机制 / 标的 / 待核查 / 风险」,形成研究备忘,而非直接生成交易指令。
上述工具可直接阅读本站 API 文档,在掌握鉴权与参数后接入既有工作流。
读取环境变量 LUOJILONGXIA_API_KEY,并先阅读 https://luojilongxia.com/docs。调用 /api/v1/recent-events 查询最近 12—48 小时事件,按 event_id 去重后依据关注主题进行初筛;必要时对候选标的再调用 /api/v1/instrument-events。分析事实、影响机制与相关标的,并评估价格是否可能已部分反映。按「事实、影响机制、相关标的、待核查信息、风险」输出,勿将模型字段直接解释为交易建议。
04
相关研究领域仍在快速发展
研究背景:从文本理解到结构化数据
近年来,大模型推动信息处理从“检索增强问答”进一步走向 AI 原生的非结构化理解与结构化产出:将新闻、研报等自由文本转化为可计算的事件、主体、关系和影响维度,供研究与策略流程使用。
生成式信息抽取
Zhang 等在 COLING 2025 的综述中系统梳理了基于 PLM 与 LLM 的生成式信息抽取,并将模型协作、统一建模列为重要方向。这一方法将原本由多个独立分类器完成的抽取任务,转化为受结构约束的序列生成问题。[1]
金融事件结构化
2026 年发表的 MIFEE 研究通过多维指令集微调处理长文档与复杂金融事件;LREE 则通过标签重构,将分类式事件抽取改写为结构化生成任务。[2][3] 相较于单一情绪分数,事件类型、主体、论元和作用关系可以提供更丰富的研究表示。
AI 原生数据系统
CIDR 2025 的 Aryn 将非结构化文档组织为可声明处理的 DocSet,由查询规划器把自然语言问题转成语义算子计划,并提供查询计划与数据血缘信息。[4]
桥水 AIA Labs:LLM 与量化投研
桥水 AIA Labs 在 2026 年 6 月与 Thinking Machines Lab 合作发布的 Learning to Replicate Expert Judgment in Financial Tasks 中指出:即便把投资者日常工作拆到「新闻/央行文档相关性判断、正文截断」等最简单环节,通用前沿模型仍难以达到可日常使用的准确率;他们用专家标注微调后的专用模型,在六项信息筛选任务上平均准确率达到 84.7%,并显著降低推理成本。[5] 此前发布的 AIA Forecaster 则展示了另一条路径:以 LLM Agent 对非结构化新闻做判断性预测,在 ForecastBench 上达到与人类超级预测者相当的水平。[6] 这些工作共同指向一条可检验的路径:LLM 负责语义理解与判断,结构与规则负责约束校验,系统层负责可解释流程与时点仿真。
参考文献
- Zhang, Z. et al. (2025). A Survey of Generative Information Extraction. COLING 2025.
- Yang, W. & Cai, Z. (2026). Multi-dimensional Instruction Set Tuning for Financial Event Extraction with Large Language Models.
- Yang, W. & Cai, Z. (2026). Label reconstruction-based financial event extraction model with large language models.
- Anderson, E. et al. (2025). The Design of an LLM-powered Unstructured Analytics System. CIDR 2025.
- Su, S. et al. (Bridgewater AIA Labs) (2026). Learning to Replicate Expert Judgment in Financial Tasks. Thinking Machines Lab.
- Alur, R. et al. (Bridgewater AIA Labs) (2025). AIA Forecaster: Technical Report. arXiv:2511.07678.