股票市场突发事件冲击下多指标鲁棒性研究开源项目

在机器学习金融时间序列研究中，若只依赖于股价回归训练，模型容易吸收复权制度差异与短期交易噪声，使得事件信息含量与制度性尺度变化难以区分，导致回测失真；因为股价本身并不是时间序列，而是由事件驱动而导致的连锁反应。为了研究事件对股票市场的连锁反应的主要因素，以及什么方法更能捕获事件对股票市场的驱动能力，因此本文基于市场微观结构与信息定价理论，以招商银行、贵州茅台、美的集团和长江电力为样本，构建6种事件评分方案、13类市场指标与4个事件窗口的统一检验框架。事件评分包括iFind专家评分、DeepSeek V3大语言模型双轮对齐评分、工程融合评分，以及以iFind专家评分尺度为监督目标训练的两种自然语言处理文本评分模型。市场响应在价格、成交、估值与技术结构四类指标上定义，并使用相关系数、标准化误差指标与路径相关AUC指标衡量评分与市场响应的一致性。实证结果显示，事件评分与技术结构指标及估值指标的联动更稳定：CCI、布林带位置、均线偏离与市盈率的平均绝对相关系数约为0.10至0.14，而与成交均价的联动强度约为0.02。收益方向检验进一步表明，高评分事件在公告后10日至15日窗口并未对应稳定正收益，高减低超额收益为负（在-1.7%至-1.4%之间）；但公告发布前累计收益差为正且显著，说明相关信息往往在正式披露前已部分反映于价格，正式披露阶段更可能伴随估值倍数调整与技术结构重排。由此，本文将事件评分解释为重定价压力与信息重要性的代理变量，而非动量型收益信号。面向事件驱动的量化决策，应将事件评分与技术结构与估值指标联合使用，用于识别高估值状态下的风险重估与过度反应概率。