1. 课程导入

欢迎进入《公告新闻事件抽取与事件研究实战》。在金融、投研、风控与舆情分析场景中，公告和新闻是最密集、最及时、也最容易被低估的信息源。一条“拟收购”“业绩预增”“实控人变更”“监管问询”的公告，往往在数分钟内影响价格、成交量与市场预期。本课程要解决的核心问题是：如何把非结构化的公告新闻文本，稳定地转化为结构化事件，并用事件数据完成可复现的事件研究。

一、核心定义：事件抽取与事件研究分别是什么

公告新闻事件抽取，是指从公告、新闻、快讯等文本中识别出“发生了什么”，并抽取事件类型、触发词、参与主体、时间、金额、方向、状态等要素，最终形成结构化记录。它通常包含四个层次：

• 事件识别：判断文本中是否包含值得研究的事件，例如并购、回购、减持、诉讼、中标、分红。
• 事件分类：将事件归入预定义的事件体系，如“股权变动—增持”“经营业绩—预增”“监管处罚—立案调查”。
• 要素抽取：抽取公司、人物、金额、比例、日期、交易对手、事件状态等关键字段。
• 事件归一与去重：把同一事件的多篇报道、多次公告合并为一条事件链，避免重复计数。

事件研究，则是以事件为分析单元，检验事件发生前后资产价格、成交量、波动率或情绪指标是否出现异常变化。经典方法是计算事件窗口内的异常收益（AR）与累计异常收益（CAR），并做统计显著性检验。它回答的不是“这条新闻好不好”，而是“这类事件在历史上是否系统性地带来了可观测的市场反应”。

二、学习目标：学完本课程你能做到什么

本课程不是单纯讲模型，也不是单纯讲回归。我们以“可落地”为第一原则，设定以下学习目标：

1. 能够独立设计一套公告新闻事件体系，包括事件大类、子类、触发词与要素字段。
2. 能够使用规则、词典、机器学习与大模型辅助方法，完成事件抽取流水线搭建。
3. 能够对抽取结果做质量评估，识别漏抽、误抽、重复与时间对齐错误。
4. 能够构建事件数据集，完成事件窗口、估计窗口、基准模型与CAR计算。
5. 能够输出一份可复现的事件研究报告，包括样本描述、分组对比、显著性检验与稳健性讨论。

三、整体课程框架：从文本到结论的六层结构

30章内容按“数据—抽取—研究—实战”递进组织，整体分为六个层次：

层次	核心任务	关键产出	对应章节重点
L1 数据层	公告新闻采集、清洗、去重、时间对齐	标准化文本库与元数据表	数据源、字段规范、公告解析
L2 体系层	事件分类体系与标注规范设计	事件本体、触发词表、标注手册	事件类型、要素定义、标注一致性
L3 抽取层	规则、模型、大模型辅助抽取	结构化事件表	触发词识别、要素抽取、关系抽取
L4 质量层	评估、纠错、去重、事件链合并	高质量事件库	准确率/召回率、人工复核、冲突消解
L5 研究层	事件窗口、基准模型、AR/CAR、检验	事件研究结果表与图表	估计窗口、市场模型、显著性
L6 实战层	端到端项目、报告撰写、复现	可复现研究报告与代码	综合案例、复盘、扩展方向

这六层不是线性一次性完成，而是迭代循环：抽取质量会反过来影响事件研究结论，研究结果也会提示你补充哪些事件类型与要素字段。

四、实战路线图：一个可执行的最小闭环

为了避免“学完模型却做不出研究”，本课程推荐从最小闭环开始，逐步扩展。最小闭环包含五步：

步骤1：选定事件类型（如“业绩预增”）
步骤2：采集公告与新闻，建立文本表 + 元数据表
步骤3：抽取事件要素，生成事件表（公司、日期、方向、金额）
步骤4：对齐行情数据，计算事件窗口 AR / CAR
步骤5：输出分组统计与显著性结果，撰写结论

这个闭环跑通后，再逐步增加事件类型、优化抽取模型、引入多事件交互与横截面回归。课程后续章节会围绕这条路线图逐层展开。

五、常见误区与复盘要点

初学者最容易在以下四个地方踩坑：

• 误区一：把事件抽取当成纯分类任务。只判断“是不是利好”远远不够，事件研究需要时间、主体、金额、状态等要素，否则无法对齐窗口。
• 误区二：忽略公告发布时间与交易时间的关系。盘后公告、盘中停牌、次日生效等规则会直接改变事件日的定义。
• 误区三：重复事件未合并。同一并购事件可能有多篇公告与媒体报道，重复计入会放大样本偏差。
• 误区四：只报告CAR，不做显著性检验与稳健性讨论。没有基准与检验的CAR只是描述性数字，不能支撑结论。

本章完成了课程的整体定位：事件抽取是手段，事件研究是目标，可复现的实战闭环是最终交付。接下来，我们将从数据层开始，逐步搭建属于你自己的公告新闻事件抽取与事件研究系统。