另类数据

"""
中文新闻情绪分析器
安装依赖：pip install snownlp akshare pandas
"""
from snownlp import SnowNLP
import akshare as ak
import pandas as pd
from datetime import datetime, timedelta

def analyze_sentiment(text):
    """
    使用SnowNLP分析文本情绪
    返回0-1之间的分数，越接近1越正面
    """
    s = SnowNLP(text)
    return s.sentiments

def fetch_news_and_analyze(stock_code="000001", days=7):
    """
    获取个股新闻并进行情绪分析
    """
    # 获取最近新闻（以平安银行为例）
    df = ak.stock_news_em(symbol=stock_code)
    
    # 只取最近N天
    df['datetime'] = pd.to_datetime(df['datetime'])
    cutoff = datetime.now() - timedelta(days=days)
    df = df[df['datetime'] >= cutoff].copy()
    
    print(f"获取到 {len(df)} 条新闻，分析情绪中...")
    
    # 对每条新闻标题进行情绪分析
    df['sentiment'] = df['title'].apply(analyze_sentiment)
    
    # 分类：>0.6为正面，<0.4为负面，中间为中性
    def classify(score):
        if score > 0.6:
            return '正面'
        elif score < 0.4:
            return '负面'
        return '中性'
    
    df['sentiment_label'] = df['sentiment'].apply(classify)
    
    # 统计
    stats = df['sentiment_label'].value_counts()
    avg_score = df['sentiment'].mean()
    
    print("\n=== 情绪统计 ===")
    print(stats)
    print(f"\n平均情绪分数: {avg_score:.3f}")
    print(f"情绪倾向: {'偏多' if avg_score > 0.5 else '偏空'}")
    
    # 显示最正面和最负面的新闻
    print("\n=== 最正面的3条新闻 ===")
    print(df.nlargest(3, 'sentiment')[['datetime', 'title', 'sentiment']].to_string(index=False))
    
    print("\n=== 最负面的3条新闻 ===")
    print(df.nsmallest(3, 'sentiment')[['datetime', 'title', 'sentiment']].to_string(index=False))
    
    return df

# 运行示例
if __name__ == "__main__":
    result = fetch_news_and_analyze(stock_code="000001", days=7)

"""
情绪驱动策略框架：当新闻情绪极度负面时反向做多
逻辑：市场过度恐慌时往往存在反弹机会（均值回归思想）
"""
import numpy as np

def sentiment_signal(sentiment_scores, lookback=20):
    """
    基于情绪分数生成交易信号
    
    参数:
        sentiment_scores: 情绪分数序列 (0-1)
        lookback: 计算历史分位数的窗口
    
    返回:
        signal: 1(做多), -1(做空), 0(空仓)
    """
    if len(sentiment_scores) < lookback:
        return 0
    
    current = sentiment_scores[-1]
    history = sentiment_scores[-lookback:]
    
    # 计算当前情绪在历史中的分位数
    percentile = np.mean(history <= current)
    
    # 极度恐慌（情绪处于历史最低的10%）-> 反向做多
    if percentile < 0.1:
        return 1
    
    # 极度乐观（情绪处于历史最高的90%）-> 做空或平仓
    elif percentile > 0.9:
        return -1
    
    return 0

# 示例：模拟情绪序列
np.random.seed(42)
# 模拟一个均值回归的情绪序列
sentiments = []
for i in range(100):
    if i == 0:
        sentiments.append(0.5)
    else:
        # 向均值0.5回归，加上随机扰动
        val = 0.5 + 0.8 * (sentiments[-1] - 0.5) + np.random.normal(0, 0.1)
        sentiments.append(np.clip(val, 0, 1))

# 生成信号
signals = []
for i in range(5, len(sentiments)):
    sig = sentiment_signal(sentiments[:i+1], lookback=20)
    signals.append(sig)

print("=== 情绪信号示例 ===")
for i in range(-10, 0):
    print(f"情绪: {sentiments[i]:.3f} -> 信号: {'做多' if signals[i]==1 else ('做空' if signals[i]==-1 else '观望')}")

请对以下财经新闻进行情绪分析，并给出交易建议：

【新闻标题】央行宣布降准0.5个百分点，释放长期资金约1万亿元

要求：
1. 判断整体情绪倾向（正面/负面/中性）
2. 给出情绪分数（-1到+1之间，保留两位小数）
3. 列出影响最大的3个关键词
4. 分析对A股不同板块（银行、地产、科技、消费）的可能影响
5. 用表格形式输出

请从量化交易的角度，对比传统数据（价格、财报）和另类数据（社交媒体情绪、卫星图像）的优劣。

要求用表格对比以下维度：
- 获取成本
- 处理难度
- 更新频率
- 信噪比
- 竞争程度（用的人越多，Alpha越少）
- 最适合的市场环境
- 个人投资者可及性

最后给出建议：个人量化交易者应该如何组合这两类数据？

请设计一个基于社交媒体情绪的简单量化策略，要求：
1. 策略逻辑清晰，不超过3条规则
2. 包含入场信号、出场信号、仓位管理
3. 给出Python伪代码
4. 列出3个最大的风险点和应对措施
5. 说明在什么市场环境下这个策略会失效

"""
情绪分析仪表盘 - 完整版
功能：
1. 分析单条/多条文本的情绪
2. 模拟情绪与价格的关联分析
3. 生成简单的交易信号
"""
from snownlp import SnowNLP
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

class SentimentAnalyzer:
    def __init__(self):
        self.history = []
    
    def score(self, text):
        """单条文本情绪打分"""
        s = SnowNLP(text)
        return s.sentiments
    
    def batch_score(self, texts):
        """批量打分"""
        results = []
        for t in texts:
            results.append({
                'text': t[:50] + '...',
                'score': self.score(t),
                'label': self._label(self.score(t))
            })
        return pd.DataFrame(results)
    
    def _label(self, score):
        if score > 0.6: return '正面'
        if score < 0.4: return '负面'
        return '中性'
    
    def signal(self, scores, threshold=0.1):
        """
        基于情绪变化生成信号
        当情绪分数变化超过阈值时产生信号
        """
        if len(scores) < 2:
            return 0
        
        change = scores[-1] - np.mean(scores[:-1])
        
        if change > threshold:
            return 1  # 情绪改善 -> 做多
        elif change < -threshold:
            return -1  # 情绪恶化 -> 做空/观望
        return 0

# ========== 实战演示 ==========
if __name__ == "__main__":
    analyzer = SentimentAnalyzer()
    
    # 示例：分析一组模拟新闻
    news_list = [
        "某公司发布财报，净利润同比增长200%，超出市场预期",
        "行业龙头遭遇监管调查，股价盘中大跌",
        "央行维持利率不变，市场反应平淡",
        "新能源汽车销量创新高，产业链公司受益",
        "国际贸易摩擦加剧，出口企业面临压力"
    ]
    
    df = analyzer.batch_score(news_list)
    print("=== 新闻情绪分析结果 ===")
    print(df.to_string(index=False))
    
    # 模拟情绪时间序列与价格的关系
    print("\n=== 模拟情绪-价格关联分析 ===")
    np.random.seed(42)
    n_days = 60
    
    # 生成基础价格序列（随机游走）
    returns = np.random.normal(0.001, 0.02, n_days)
    prices = 100 * np.exp(np.cumsum(returns))
    
    # 生成情绪序列（与价格有一定相关性，但带噪声和滞后）
    sentiment = []
    for i in range(n_days):
        # 情绪 = 0.5 + 0.3*（过去3天收益率）+ 噪声
        if i < 3:
            s = 0.5 + np.random.normal(0, 0.1)
        else:
            recent_return = (prices[i] - prices[i-3]) / prices[i-3]
            s = 0.5 + 0.3 * recent_return + np.random.normal(0, 0.08)
        sentiment.append(np.clip(s, 0, 1))
    
    # 计算情绪移动平均
    sentiment_ma = pd.Series(sentiment).rolling(5).mean().values
    
    # 生成信号：当情绪突破5日高点时做多
    signals = []
    for i in range(10, n_days):
        if sentiment_ma[i] == max(sentiment_ma[i-10:i+1]):
            signals.append((i, '买入'))
        elif sentiment_ma[i] == min(sentiment_ma[i-10:i+1]):
            signals.append((i, '卖出'))
    
    print(f"模拟期间共产生 {len(signals)} 个交易信号")
    for day, action in signals[:5]:
        print(f"第{day}天: {action} (价格={prices[day]:.2f}, 情绪={sentiment[day]:.3f})")