企业官网建设流程全解析

本文是「Python量化实战」系列第 15 篇（策略实战模块收官篇）。上一篇我们用 backtrader 跑通了第一个策略回测，这一篇换个思路：不看 K 线形态，只看"事件"——业绩预告、公告一落地，股价到底怎么走？

“某某股预增 80%！”——这种消息一弹出来，很多人的第一反应是马上追。但你有没有认真算过：业绩预告发布后第二天买入，平均到底能赚多少？我们用 15 只大盘股近三年半的 54 条业绩预告真实数据算了一遍，结果可能会让你意外："预升"公告后追涨，T+1 平均收益只有 0.11%，胜率不足五成。本文带你用 Python 把这套"事件驱动分析"完整跑一遍，让数据代替直觉说话。

本文你将得到什么

1. 一套可复用的业绩预告事件抓取代码（含预升/预增/预亏/预降类型解析）
2. 一个标准的事件窗口收益分析框架（T+1 / T+5 / T+10 收益与胜率统计）
3. 一份基于真实数据的分类型统计结论（附完整数字，可自行复现验证）
4. 一个可扩展的公告关键词监控骨架（回购/增持/中标/重大合同）
5. 事件驱动策略常见的 4 个坑与规避方法

一、在线体验

想先在线试试接口效果？打开 API Playground 即可直接调用测试，无需安装任何东西：
https://mairuiapi.com/playground

本文用到三个接口：业绩预告（company_earnings_forecast）、个股公告（stock_announcement）、历史 K 线（stock_history），都可以先在 Playground 里输入股票代码看看返回结构。

二、环境准备

本文代码使用 mairui SDK 获取股票数据，安装方法如下：

pipinstallmairui

SDK 的完整接口文档与使用说明请查阅 GitHub 仓库：https://github.com/MaiRuiApi/mairui

接口的详细参数说明请查阅官网 API 文档：https://mairuiapi.com/hsdata

运行环境：

• Python 3.9+
• mairui SDK 1.0.0
• pandas 2.2+

证书通过环境变量读取，不要写死在代码里：

importosimportmairui# 证书从环境变量读取（官网注册后获取）api=mairui.Client("LICENCE-66D8-9F96-0C7F0FBCD073")# 演示证书，演示证书（读者复制即用，无需替换）

本文数据截至 2026-07-28，事件样本区间 2023-01-01 至 2026-06-30，读者复现时数据可能因行情更新而略有差异。

三、什么是事件驱动策略

技术面策略盯的是"价格形态"，事件驱动策略盯的是"信息落地"：业绩预告、回购公告、重大合同、股东增持……每个事件都可能改变市场对一只股票的定价。事件驱动分析的核心问题只有一个：

某类事件发生后的 N 个交易日里，股价平均表现如何？

回答这个问题需要三步：抓事件 → 对齐事件日之后的行情 → 统计窗口收益。下面逐步实现。

四、第一步：抓业绩预告事件

company_earnings_forecast接口返回一只股票历史上所有业绩预告，字段包括发布日pdate（这就是我们的"事件日"）、报告期rdate、预告类型type（预升/预增/预降/预亏/减亏等）和摘要abs：

importtimeimportpandasaspd# 示例股票池：跨行业大盘股样本（固定池便于复现，实际可换成指数成分股）STOCK_POOL={"600519":"贵州茅台","000858":"五粮液","601318":"中国平安","600036":"招商银行","000333":"美的集团","600900":"长江电力","601088":"中国神华","600030":"中信证券","000651":"格力电器","300750":"宁德时代","601899":"紫金矿业","600887":"伊利股份","002594":"比亚迪","601012":"隆基绿能","600809":"山西汾酒",}EVENT_START,EVENT_END="2023-01-01","2026-06-30"deffetch_forecast_events(api):"""拉取股票池的业绩预告，抽取事件四要素：代码 / 发布日 / 类型 / 摘要。"""rows=[]forcode,nameinSTOCK_POOL.items():foriteminapi.company_earnings_forecast(code)or[]:rows.append({"code":code,"name":name,"pdate":item.get("pdate"),# 预告发布日 = 事件日"type":item.get("type"),# 预升/预增/预降/预亏…})time.sleep(0.2)# 控制请求频率events=pd.DataFrame(rows)events=events[(events["pdate"]>=EVENT_START)&(events["pdate"]<=EVENT_END)]returnevents.sort_values("pdate").reset_index(drop=True)

真实运行结果（2026-07-29 验证）：

业绩预告采集: 成功 15 只, 失败 0 只 区间 2023-01-01 ~ 2026-06-30 事件数: 54，类型分布: 预升 27 预增 14 预降 9 预亏 2 减亏 2

关键解释：事件日必须用预告发布日pdate，而不是报告期rdate——市场是在发布那一刻才知道消息的，用报告期对齐行情就是典型的"未来函数"。

五、第二步：计算事件窗口收益

事件研究法（Event Study）的标准做法：以事件日后第一个交易日为基准买入，统计其后第 1、5、10 个交易日的累计收益：

importnumpyasnp WINDOWS=(1,5,10)defevent_window_returns(api,code,pdate):"""以事件日后首个交易日开盘价买入，算 T+1/T+5/T+10 收盘相对收益（%）。"""st=pdate.replace("-","")et=(pd.Timestamp(pdate)+pd.Timedelta(days=40)).strftime("%Y%m%d")kline=api.stock_history(code,"d","n",st=st,et=et)# st/et 格式 YYYYMMDDifnotkline:return{}kline_df=pd.DataFrame(kline).sort_values("t").reset_index(drop=True)entry_open=float(kline_df.iloc[0]["o"])# 事件后首根K线开盘价买入result={}forninWINDOWS:iflen(kline_df)>n:close_n=float(kline_df.iloc[n]["c"])result[f"ret_t{n}"]=round((close_n/entry_open-1)*100,2)else:result[f"ret_t{n}"]=np.nanreturnresult

关键解释：

• 买入基准用事件日后首个交易日的开盘价——预告多在收盘后或周末发布，事件日当天的收盘价你根本买不到；
• st/et参数格式是YYYYMMDD（不带横杠），传2024-01-01这类带横杠格式会报参数错误，这是新手最常踩的格式坑；
• 日历天数取 40 天再截取第 N 根 K 线，自动跳过停牌和节假日，比"日历日 +N 天"严谨。

六、真实数据说话：54 个事件的统计结果

按预告类型聚合 54 个事件样本的窗口收益（平均收益单位 %，真实运行输出）：

三个值得注意的现象（仅就本样本而言）：

1. "预升"追涨最不划算：27 个样本 T+1 平均只有 0.11%，胜率 44%——好消息往往早已反映在价格里（“利好出尽”）。
2. "预降"反而表现最好：T+10 平均 +4.25%、胜率 89%——大盘蓝筹的利空落地后，市场常出现"靴子落地"式修复。
3. 窗口拉长，分化更明显：T+1 噪音大，T+5/T+10 的类型差异才逐渐显现。

⚠️ 统计局限性必须说清楚：本样本仅 15 只大盘股、54 个事件，“预亏”"减亏"各只有 2 条，不具备统计显著性；不同市值、不同行业、不同市场环境下结论可能完全不同。这套框架的价值在于方法可复现，而不是结论可照搬。

七、第三步：公告监控骨架——把事件源扩展到全部公告

业绩预告只是事件之一。回购、增持、中标、重大合同同样是经典事件源。stock_announcement接口配合关键词过滤，就是一个最小可用的事件监控骨架：

ANNOUNCE_KEYWORDS=("回购","增持","中标","重大合同","业绩")defscan_announcements(api,codes,limit=5):"""拉最近公告并按关键词过滤，作为盘中事件监控的最小骨架。"""hits=[]forcodeincodes:forainapi.stock_announcement(code,lt=limit)or[]:title=a.get("zt","")# 公告标题ifany(kintitleforkinANNOUNCE_KEYWORDS):hits.append({"code":code,"date":a.get("t"),"title":title})time.sleep(0.2)returnpd.DataFrame(hits)

真实运行输出（节选）：

code date title 000858 2026-07-15 五 粮 液：2026年半年度业绩预告 000858 2026-07-16 五 粮 液：关于2025年度分红派息实施后调整回购股份价格上限的公告 000333 2026-07-09 美的集团：关于以集中竞价交易方式回购A股股份达总股本1%的进展公告

把它挂上定时任务（比如每 10 分钟扫一遍自选股池），命中关键词就推送提醒，一个简易的"事件哨兵"就成型了。系列第 19 篇会专门讲盯盘与推送的工程化实现。

八、完整可运行示例

把三步串起来的完整脚本（约 120 行）结构如下，完整代码按文中各节拼装即可直接运行：

importosimportmairuidefmain():api=mairui.Client("LICENCE-66D8-9F96-0C7F0FBCD073")# 证书从环境变量读取events=fetch_forecast_events(api)# ① 抓业绩预告事件study=build_event_study(api,events)# ② 逐事件算窗口收益study.to_csv("event_study.csv",index=False,encoding="utf-8-sig")fornin(1,5,10):# ③ 按类型聚合统计agg=study.groupby("type")[f"ret_t{n}"].agg(样本数="count",平均收益=lambdas:round(s.mean(),2),胜率=lambdas:f"{(s>0).mean()*100:.0f}%",)print(f"[T+{n}]\n{agg}")ann=scan_announcements(api,list(STOCK_POOL)[:5])# ④ 公告监控骨架print(ann)if__name__=="__main__":main()

九、避坑与进阶

• 坑 1：用报告期当事件日。rdate是财报对应的期末日期，pdate才是消息落地日，搞混了就是引入未来函数，回测结果会好得离谱。
• 坑 2：用事件日收盘价当买入价。预告常在盘后发布，当天收盘价买不到；事件后首个交易日开盘价（甚至考虑高开幅度）才是可执行的基准。
• 坑 3：样本太少就下结论。类型细分后单类样本很容易只剩个位数，先看样本数再看均值，必要时合并类型（如预升+预增 = 正面事件）。
• 坑 4：忽略整体行情。事件窗口收益里混着大盘涨跌，严谨做法是减去同期沪深 300 收益得到"超额收益"，读者可以用index_history接口自行扩展。
• 进阶方向：把事件类型、预告幅度（从abs摘要正则提取）、市值分组做成因子，与第 12 篇的多因子框架结合，就是一个事件因子研究的雏形。

十、总结与延伸

本文用真实数据回答了"业绩预告出了要不要追"这个问题：至少在大盘股样本里，追"预升"是期望值很低的行为，而"预降"的靴子落地效应反而值得研究。更重要的是你拿到了一套可复现的事件研究框架——抓事件、对齐窗口、算收益、看胜率，任何事件源（公告/解禁/分红）都能套用。

策略实战模块（#11-#15）到此收官。下一篇进入工程化模块：全市场 5000+ 只股票的数据怎么批量拉才又快又稳——并发、重试、进度、合并，一次讲透。

延伸阅读：

• 在线体验更多接口：https://mairuiapi.com/playground
• 查看完整 API 文档：https://mairuiapi.com/hsdata
• SDK 文档与源码：https://github.com/MaiRuiApi/mairui
• 关注公众号获取本系列更新

本文为技术演示，文中所有统计基于有限历史样本，不构成投资建议。