面向新手的事件驱动投资思维完全教程：如何用PokieTicker读懂K线图背后的“新闻“

K 线图只会告诉你"涨了多少"，却从不解释"为什么涨"。PokieTicker 是一款面向新手的事件驱动投资学习工具：它把每天影响股价的新闻事件标注在 K 线图上的圆点中，按事件类型（财报、政策、产品、竞争等）分类筛选，用 AI 解释任意区间的涨跌原因，并基于新闻情绪 + 技术指标的 31 个特征给出 7 日趋势预测，帮助你在看盘时先理解事件、再看价格。

一、什么是事件驱动投资思维？新手为什么该先懂它

大多数新手看盘的路径是：看到股价大跌 → 慌 → 上网乱找原因。而事件驱动（Event-Driven）思维把顺序反了过来：

• 📰传统思维：价格先行，事件靠猜——你只看到一根长阴线，不知道背后发生了什么；
• 🧭事件驱动思维：价格由信息驱动，重大新闻事件（财报发布、政策变化、产品发布）会造成可预期的短期动量。先找到"发生了什么"，再判断"价格为什么会这样走"。

PokieTicker 正是围绕这一思维设计：K 线图上每一个日期上方的小圆点，代表当天与该股票相关的新闻；点击圆点，右侧面板立刻展示这些新闻的情绪（利好/利空/中性）以及它们公布后 T+1、T+5 的实际涨跌——"事件 → 价格"的因果链一目了然。

二、5 分钟零门槛跑通 PokieTicker：本地安装完整步骤

仓库已内置预构建数据库（5 万+ 行 OHLC 数据、6 万+ 条新闻分析结果）和训练好的模型，全程无需申请任何 API Key，克隆下来即可运行：

git clone https://gitcode.com/gh_mirrors/po/PokieTicker.git cd PokieTicker # 解压预构建数据库与模型 gunzip -k pokieticker.db.gz tar xzf models.tar.gz -C backend/ml/ # 后端（Python 3.10+） python -m venv venv source venv/bin/activate # Windows 用 venv\Scripts\activate pip install -r requirements.txt # 前端（Node.js 18+） cd frontend && npm install && cd ..

然后在两个终端分别启动后端和前端：

# 终端 1：后端 uvicorn backend.api.main:app --reload # 终端 2：前端 cd frontend && npm run dev

浏览器打开http://localhost:7777/PokieTicker/即可开始体验。若日后想拉取最新数据并做增量 AI 分析，可参考 backend/bulk_fetch.py 与 backend/weekly_update.py，它们负责从数据源批量下载 OHLC 行情和新闻。

三、K 线图上的新闻圆点：一眼看懂每天的"消息面"

打开任意股票（如 AAPL），你会看到 K 线图上散布着彩色圆点，操作逻辑很简单：

1. 悬停到某个交易日，图表会高亮当天的新闻事件圆点；
2. 右侧News 面板自动列出当天全部新闻，并默认按情绪排序：利好在前、利空居中、中性殿后；
3. 每条新闻卡片下方都标注了T+1 / T+5 实际收益，让你直接看到"这条消息公布后，股价第二天、第五天真实走了多少"；
4. 点击圆点可以锁定该日期，配合滚动阅读新闻，复盘任意一个交易日。

这套交互实现于 frontend/src/components/CandlestickChart.tsx（D3.js 绘图 + 新闻圆点）与 frontend/src/components/NewsPanel.tsx（情绪排序的新闻卡片）。

四、六大事件类别筛选：按事件类型过滤牛熊新闻

新闻并非都同等重要。PokieTicker 将所有新闻划分为六大类别，点击对应卡片即可在图表上高亮该类别的全部相关事件，并支持按利好/利空二次过滤：

比如只想研究"政策冲击"的影响，点一下 Policy Impact，K 线图上就只剩下政策类事件的轨迹。分类面板源码见 frontend/src/components/NewsCategoryPanel.tsx。

五、AI 区间分析与相似历史匹配：让机器替你复盘

光看新闻还不够，PokieTicker 提供了两个"高阶复盘"入口：

• 🤖AI 区间分析：框选一段日期（比如"上周三到这周五"），直接问 AI"为什么这段时间跌了"。它会返回关键事件清单、利多/利空因素和趋势解读，实现于 frontend/src/components/RangeAnalysisPanel.tsx；
• 🕰️相似历史事件匹配：系统用特征向量的余弦相似度，在全历史中找出"新闻模式最像今天"的 10 个时期，并展示它们之后 5 日、10 日的平均涨跌——相当于问市场："上次出现类似局面，后来怎么样了？"。匹配逻辑在 backend/pipeline/similarity.py，结果展示于 frontend/src/components/SimilarDaysPanel.tsx。

六、预测面板拆解：31 个特征如何炼成 7 日涨跌预测

右侧的 FORECAST 面板会给出"7 日看涨/看跌"结论及置信度。它的原理其实很透明，所有特征工程都在 backend/ml/features.py：

• 新闻类特征：当日文章数、情绪分、正负新闻占比、3/5/10 日滚动均值、情绪动量；
• 技术类特征：1/3/5/10 日收益率、波动率、成交量比、RSI-14、均线交叉信号。

模型侧用 XGBoost 分类器预测 T+1 / T+3 / T+5 的涨跌方向（训练代码见 backend/ml/model.py），面板同时标注了模型准确率与历史相似期的上涨比例，让你清楚"这个预测的可信依据是什么"。

而新闻本身的处理走三级流水线，源码位于 backend/pipeline/：

原始 OHLC + 新闻 → Layer 0 规则过滤（剔除垃圾文章） → Layer 1 批量 AI 情绪分析（利好/利空 + 理由） → Layer 2 按需深度分析（点击新闻时触发）

新闻与交易日的对齐由 backend/pipeline/alignment.py 完成，保证每条新闻都能关联到正确的交易日及其后的实际收益。

七、新手使用建议：把它当"思维训练器"，而非"信号机" ⚠️

• 学因果，不抄答案：先看新闻、形成自己的判断，再对照 T+1/T+5 实际收益验证思路，而不是直接跟着"看涨/看跌"标签下单；
• 关注事件密度：利空文章在同一日集中爆发时，下压力往往持续 1-3 天，这是情绪聚集的常见模式；
• 历史会押韵但不会重复：相似历史匹配只是统计参考，市场永远有模型没见过的变量；
• 免责声明：本项目是实验性的学习工具，不构成任何投资建议。

掌握"事件 → 情绪 → 价格"这条主线，你就已经比大多数只看 K 线的新手领先一步了。跑起来试试吧，第一次点开某个新闻圆点的那一刻，你会真正理解 K 线图背后发生的故事。