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。

最后更新:2026 年 8 月
INPUT新闻 · 财经信息公开、分散、异构
EVENT ENGINE理解 · 合并 · 增强主体、关系、影响机制
OUTPUT事件 · 标的 · 时间结构化、可查询、可研究
图 1:从公开信息到可研究事件。研究与交易判断仍由使用者完成。
4 类市场A 股 · 港股 · 美股 · 商品期货
2025.06 至今事件历史范围
约 5—15 分钟最新事件常见端到端延迟(90%情况下)

两个事件接口的响应示例

instrument-eventsrecent-events 的返回结构如下。

instrument-events

json
{
  "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.300750related_instruments 列出其他关联标的,并附带 similar_events

recent-events

json
{
  "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。

发现

不预设标的,从全市场新增事件中寻找跨行业、跨资产线索。

监控

把持仓和自选标的关联到持续更新的事件时间线。

解释

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。

自动化

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。

已有研究标的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
不限定标的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
辅助验证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
标的识别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
图 2:四个接口覆盖事件发现、标的研究、日线验证与标的识别。

查看完整 API 文档 →

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。

01多源信息汇聚

AI Agent 集群检索与公开渠道;跨市场、跨语言

02噪声过滤与事实核查

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

03同事件合并

多条报道聚合为事件并去重

04事件信息增强

抽取关系、方向、强度与作用机制

05标的关联

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

图 3:从信息汇聚到标的关联的处理流程。

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_directionimpact_strengthrelation_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。

可交给 Agent 的任务提示词

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

  1. Zhang, Z. et al. (2025). A Survey of Generative Information Extraction. COLING 2025.
  2. Yang, W. & Cai, Z. (2026). Multi-dimensional Instruction Set Tuning for Financial Event Extraction with Large Language Models.
  3. Yang, W. & Cai, Z. (2026). Label reconstruction-based financial event extraction model with large language models.
  4. Anderson, E. et al. (2025). The Design of an LLM-powered Unstructured Analytics System. CIDR 2025.
  5. Su, S. et al. (Bridgewater AIA Labs) (2026). Learning to Replicate Expert Judgment in Financial Tasks. Thinking Machines Lab.
  6. Alur, R. et al. (Bridgewater AIA Labs) (2025). AIA Forecaster: Technical Report. arXiv:2511.07678.
免责声明

逻辑龙虾提供的是信息整理、事件结构化和研究辅助能力,不构成投资咨询、证券推荐、交易指令、收益承诺或对任何金融产品适当性的判断,也不应作为事实认定或自动化交易的唯一依据。我们不是持牌证券投资咨询或其他金融服务机构。

事件与行情数据可能存在延迟、遗漏、误判、后续修订或尚未证实的情况;方向、强度、机制说明、相似历史等增强字段仅为辅助研究素材,不保证准确、完整或可用于回测结论。日线行情不是盘中实时报价。使用者应结合原始公开信息与专业意见独立核验,并自行承担据此研究、建模、投资或业务决策的全部风险与后果。

服务按「现状」提供,不保证持续可用或无错误。完整约定见 服务条款隐私政策

如需反馈问题、提出建议或讨论共创,欢迎添加 ,或发送邮件至 contact@logicduo.com