version: "1.0.0" name: event-impact description: 判断某个政策、消息或突发事件是否真的对某只股票的股价造成了冲击。当用户说「这个消息对股价有影响吗」「这个政策影响多大」「为什么今天跌了」「这利好有用吗」时使用本技能。

事件冲击扫描

何时使用

命中以下任意一种说法就启动本技能：

• 「这个消息对股价有影响吗？」
• 「这个政策影响多大？」
• 「为什么今天跌了？是不是因为那条新闻？」
• 「这利好有用吗？是不是已经price in了？」
• 「XX 公司出事了，对股价冲击有几个点？」
• 「帮我看下这个事件算不算显著，还是正常波动？」

典型场景：用户手里拿到一条新闻/公告/政策文件，想知道它对某只股票是真的冲击还是噪音。

轻问 vs 深问（成本控制）

默认走轻问，除非用户明确要「显著性/可靠性」判定。不要一上来就默认跑反驳，反驳要等 event_study 先给出显著结果（is_significant=true 且 p 值过线）才有意义——不显著就直接收尾，不必浪费一次反驳。

注意：本技能不涉及回测/训练类重任务。若用户后续要求对一批事件批量跑，用 causal-event_study_batch；若批量超过几十个事件、耗时明显，走异步路径——先提交拿 `job_id`，再用 `job_status` 轮询取结果，不要原地傻等。

关于上面那条"更省的轻问"：causal-chain-* 是自建服务（causal-chain-mcp，需自己起）。

它的便利在于：传入事件 + K 线就能一次拿到 CAR/方向/置信度，不必按 event_study 的字段逐个凑；

代价是它的显著性判定是启发式（\|CAR\|>2%）而非 t 检验 —— 要严谨的 p 值仍必须走 causal-event_study。

没有部署该服务时，这条路径不适用，直接用下面的主路径。

工具链

第 0 步：先要数据（关键前置）

causal-event_study 是纯统计计算，它自己不去行情源取数。调用前必须凑齐：

• symbol：股票代码，如 002371 或 sh600519。用户只说公司名时先确认代码。
• event_date：事件日期 YYYY-MM-DD。非交易日会自动取最近交易日。
• klines：该股票的日 K 线数组，按日期升序，格式 [{date: 'YYYY-MM-DD', close: 123.4}, ...]。
• benchmark：指数日 K 线，格式同上，与 klines 等长。

klines / benchmark 从哪来（二选一，问清用户走哪条）：

1. 用户本地已有（CSV/数据库/导出文件）→ 让用户提供，或明确文件路径。
2. 用户没有 → 说明本项目行情来源（腾讯行情接口 / mootdx / qlib 本地 cn_data），由数据管道先拉出事件前 60 个交易日 + 事件后 5 个交易日以上的日 K，再喂给工具。

窗口要求（不满足会被统计模块削掉精度）：

• 事件前至少 60 个交易日用于估计正常收益模型；
• 事件后至少 5 个交易日用于 CAR (0,5)；
• benchmark 与 klines 日期对齐、长度一致；不等长时工具按零收益处理——那就等于没对齐，结论不可信，所以务必先对齐。

⚠️ 本技能的硬性要求：必须带 `benchmark`（市场指数，如沪深300 / 中证500）对齐。 不带基准算出来的只是绝对涨跌，扣不掉大盘 beta，涨了可能只是大盘涨，跌了可能只是大盘跌——那不是冲击，是跟涨跟跌。

可选增强：若用户关心板块 beta，可再传 sector_benchmark（行业指数），工具会切到市场+板块双因子模型。

第 1 步：算冲击（必做）

调用 causal-event_study，参数：

symbol          = 股票代码
event_date      = 事件日期
klines          = 个股日K（升序）
benchmark       = 市场指数日K（必须）
sector_benchmark= 行业指数日K（可选，有则更准）

返回关注字段：status、car_1d、car_3d、car_5d、car_pre1d、alpha、beta_market、r_squared、sigma、t_stat、p_value、is_significant、direction、impact_score、confidence。

• status != 'ok' → 直接告诉用户「数据不足/窗口不够，无法计算」，不要拿占位零值当结论。
• is_significant = false → 输出「未检出显著冲击」，收尾，不进入第 2 步。

第 2 步：反驳验证（仅当显著时）

当 is_significant = true 且用户要的是「可靠性」判定，调用 causal-refute，参数为第 1 步结果的因果链对象：

chain = {
  symbol,            # 可选回显
  car_1d, car_3d, car_5d,   # 必填，直接抄 event_study 结果
  p_value,           # 可选，抄 event_study 结果
  direction          # 可选
}

返回：refutations（逐项 robust / refuted）、passed、failed、grade（A–F 评级）、recommendation。

读法：

• 三项全过 → 冲击稳健，可作为较强证据引用；
• 有 refuted → 说明结论对设定敏感，降级表述，明确写「反驳未全过，证据中等偏弱」；
• grade 低于 C → 不建议当决策依据，仅作参考线索。

第 3 步（可选）：异质性，以及交棒给传导技能

分清楚两件事，别在本技能里越界：

• 哪类标的反应更强 → causal-dml_cate（异质处理效应），需要用户提供截面 panel（treatment / outcome / features 三个数组，长度一致）。
• 长期偏离程度 → causal-causal_impact（对标 CausalImpact 的 BSTS 累计影响），需要更长的事件前后窗口，比 event_study 更吃数据。
• 传导路径 → 明确说「传导链由 `event-propagation` 负责」并交棒。 不要主动扩链，也不要用本技能的工具体勉强回答传导问题（causal_impact 算的是"这一只标的的偏离"，回答不了"传到谁"）。

记忆回路（前查后记）

本技能的历史参照维度是同类事件的历史 CAR 分布与显著性——即「政策类/公告类/事故类事件 × 某板块 × 某方向」这一组条件下，历史事件的实际 CAR 落在什么分位、以及多少比例能通过显著性检验（并结合反驳评级）。这对用户的价值在于：单次事件的 p 值只回答「这一次是否异常」，而历史同类样本回答「这种量级的冲击在这类事件里算常见还是罕见」——当本次 CAR 处在历史分布尾部、或同类事件历史上多半不显著时，就应当主动提示用户「按历史经验，这类事件的冲击通常被高估」，从而压住把一次统计显著直接读成可交易信号的冲动。所有写入的判定都保留「待验证 → 实际结果」两段式，便于将来做命中率校准。

输出格式

给用户的输出遵循这个契约，字段名原样保留，不要自己发明指标：

【事件冲击扫描】<股票名/代码> ｜ 事件日 <YYYY-MM-DD>
基准：<基准指数>  样本：事前 <N> 日 / 事后 <M> 日
 
一、冲击幅度（累计异常收益 CAR）
  CAR (0,1)  = +x.xx%      ← car_1d
  CAR (0,3)  = +x.xx%      ← car_3d
  CAR (0,5)  = +x.xx%      ← car_5d
  事件前一日  = +x.xx%      ← car_pre1d（看是否已提前反应/price in）
  方向：<上涨/下跌>         ← direction
 
二、显著性判定
  t 值 = x.xx     p 值 = 0.xxx
  显著性：显著 / 未检出显著冲击      ← is_significant
  冲击强度：x.xx（0–1） 置信度：x.xx   ← impact_score / confidence
 
三、模型质量
  alpha = x.xxxx   beta(市场) = x.xx   R² = 0.xx   sigma = x.xx
  （R² 过低 → 提示基准解释力弱，结论打折）
 
四、【仅当跑了反驳】
  三重反驳：通过 x / 未通过 y
  逐项：安慰剂处理 <robust/refuted>｜随机共因 <robust/refuted>｜子集 bootstrap <robust/refuted>
  总体评级：<A–F>    建议：<recommendation>
 
五、一句话结论
  （显著 → 直接说方向与幅度区间，并注明这是统计估计而非预测）
  （不显著 → 必须写明「未检出显著冲击，该日波动可由大盘/常规波动解释」）

规则：

• 不显著就必须明说「未检出显著冲击」，不许含糊成「有一定影响」。
• 数字保留两位小数，p 值保留三位。
• 报 CAR 时同时给窗口，避免用户误读成「一天涨这么多」。
• 如果用户给的事件日期是盘中/盘后、或事件发生在非交易日（周末出政策），要说明「事件日已顺延至最近交易日，冲击窗口含次日开盘跳空」。

历史参照（必填小节）：若检索到同类历史，写明「类似情境 N 次，其中 X 次 <本技能的判断维度> 正确」；

无历史则写「首次记录此类情境，本次判断已存入记忆供将来对照」。

合规边界

• 本技能只输出统计计算结果：CAR、t 值、p 值、显著性判定、模型质量、反驳评级。
• 不输出买入/卖出建议，不写「可以买」「建议减仓」。
• 不输出目标价，不给点位预测。
• 不承诺收益，不写「预计还能涨多少」。
• 涉及 Kronos / ML / 任何预测模型输出时，必须标注「模型输出，非承诺」。
• 统计显著性 ≠ 经济显著性、更 ≠ 可交易性。若有 slippage、涨跌停、流动性限制，要提醒用户这些不在本计算内。
• 最终决策由用户自己做；本技能提供的是证据，不是指令。

常见问题

1. 用户不给 benchmark 怎么办？ 不能省。必须主动要指数日 K（沪深300 / 中证500 / 对应行业指数），并解释：没有基准，涨跌里混着大盘 beta，算出来的不是「事件冲击」。用户实在拿不到指数数据就说明无法给可信结论，宁可不出报告。
2. klines 和 benchmark 没对齐、长度不一致？ 工具会按零收益处理，等于基准失效，p 值会偏乐观。所以调用前先按日期交集对齐、再截取「事前 60 日 + 事后 ≥5 日」。事后不足 5 日时只能报 CAR (0,1) 与 (0,3)，并说明 (0,5) 未成熟。
3. 不显著是不是就说明「消息没用」？ 不等于。可能原因：市场已提前反应（看 car_pre1d）、同期有反向消息对冲、单一事件样本统计功效本就不足、或该股与基准高度同步导致异常收益被吸掉。要如实列出可能原因，但仍必须给出「未检出显著冲击」这个明确结论。
4. 能不能一次扫很多个事件？ 可以，用 causal-event_study_batch（每个事件独立容错，单项失败返回 error 字段不拖垮整批）。事件数量大、耗时长时走异步：先提交拿 `job_id`，再用 `job_status` 轮询，不要同步死等。