第 3 课 · 新闻情绪打分器

把非结构化的新闻文本，变成结构化的分数——Agent 辅助决策的第一步

预计用时：35 分钟上一课：第 2 课 · 数据底座

这节课你将得到什么

一个能跑的"新闻情绪打分器"雏形：输入茅台的最新新闻，输出每条新闻的情绪分（-1 ~ +1）、相关度（0 ~ 1）和一句可审计的理由，最后聚合成一个情绪仪表。这就是 TradingAgents 论文里"情绪分析师（Sentiment Analyst）"角色的最小实现——你的 Agent 团队的第一个成员。

更重要的心智模型是：LLM 在量化里的核心价值，不是预测股价，而是把文本世界（新闻、公告、研报、政策）翻译成你程序能处理的数字。第 2 课你处理了结构化数据（行情表），这节课处理非结构化数据（文本）。

一、文本数据从哪来

脚本 scripts/news_sentiment.py 用 ak.stock_news_em(symbol="600519") 拉取东财的个股新闻（标题+摘要+时间）。接口失败时自动退回内置样本——第 2 课的教训：免费接口一定会挂，任何数据入口都要有备胎。政策面与公告文本（巨潮、交易所监管动态）在后续课程展开，本课先用新闻把流程跑通。

二、Prompt 设计三原则（本课的知识核心）

看脚本里的 SYSTEM_PROMPT，它只有几行，但每行都对应一条工程原则：

你是一名A股情绪分析师。对用户给出的新闻，判断它对指定股票的影响。
只输出JSON，不要输出任何其他文字：
{"score": <-1.0到1.0的小数，-1极利空，0中性，1极利好>,
 "label": <"利好"|"利空"|"中性">,
 "relevance": <0.0到1.0，新闻与该股的关联程度>,
 "reason": <不超过30字的判断依据>}

原则	对应设计	为什么
1. 结构化输出	强制"只输出 JSON"	程序要消费这个结果去聚合、存储、画图；一段散文无法进流水线
2. 标尺定义	明确 -1/0/+1 的含义，并把"情绪"与"相关度"拆成两个字段	没有标尺，模型的分数每次漂移；拆分相关度，防止"提到茅台名字的无关新闻"污染平均分
3. 要求理由	reason 字段，≤30 字	你不敢把真金白银交给一个只说"+0.7"的黑盒；理由让每条打分可人工审计

第四条隐含原则：永远校验 LLM 的输出

脚本里 json.loads() 失败会直接跳过该条并警告——LLM 偶尔会返回带 markdown 围栏或格式残缺的"JSON"。工程纪律：LLM 的输出是不可信输入，必须像对待用户表单一样校验它。

三、动手：跑起来（无需 API Key）

演示模式内置了真实抓取的新闻和预计算打分，先把流程看懂：

cd "$HOME/AI Project/Quant Learning"
source .venv/bin/activate
python scripts/news_sentiment.py

你会看到（我已在你的环境实测通过）：

  [利好] +0.9 (相关度1.0)  飞天茅台 官宣涨价！+100元
      理由：核心产品提价直接增厚利润，公司官方公告
  [中性] +0.0 (相关度0.1)  11只个股大宗交易超5000万元
      理由：主角是兆易创新，与茅台几乎无关
  ……
==================================================
情绪仪表（仅统计相关度≥0.5的 4 条）
  加权情绪分：+0.73   利好 4 条 / 利空 0 条
==================================================

注意第二条：标题里根本没有"茅台"两个字（它出现在正文统计表里），相关性字段把它挡在了聚合之外。这就是原则 2 的实战价值。

四、接入真实模型（可选，课后完成）

演示模式用的是预计算结果；真实模式需要一个 LLM API Key。推荐 DeepSeek 开放平台：注册、充值 10 元（够你打几十万条新闻）、创建 API Key，然后：

export LLM_API_KEY="sk-你的key"
python scripts/news_sentiment.py --live

脚本用 OpenAI 兼容协议（requests 直连），换别家模型只需改 LLM_BASE_URL 和 LLM_MODEL 两个环境变量。真实模式我已写好但尚未实测（你机器上还没有 Key）——拿到 Key 后跑一次，有报错直接贴给我。

五、批判性思考：+0.73 为什么不是买入信号

这是本课最重要的一节，请慢读。

滞后性：样本里最利好的新闻是"茅台大涨 5%"——新闻发布时，涨幅已经发生。新闻经常是对价格的描述，而非价格的原因。用盘后新闻的情绪分预测明天，等于看着后视镜开车。
样本污染：6 条里 3 条在说同一件事（提价）。聚合成"利好 4 条"给人一种"利好密集"的错觉，其实独立信息只有一两个。
情绪≠事实：LLM 判断的是"这条新闻的措辞偏利好还是利空"，它不验证新闻本身真假，也不知道价格是否已消化该信息。

所以这个组件的正确定位是 TradingAgents 里的那个角色：信息整理员——它把 100 条新闻压缩成"4 条相关、加权 +0.73、理由在此"，让你 3 分钟读完原本 1 小时的信息，并且每条结论都能点开理由审计。决策权始终在你手里。到第 5 课，我们会给它加上"与价格行为对照"的校验机制。

六、你当一回 LLM（互动）

两条真实新闻，你先打分，再看"模型"的答案。注意：这类题没有唯一正确答案，重点是比较你的推理和模型的理由。