RKiding/Awesome-finance-skills / skills/alphaear-predictor
alphaear-predictor
UnverifiedMarket prediction skill using Kronos. Use when user needs finance market time-series forecasting or news-aware finance market adjustments.
scripts/prompts/trend_agent.py
View on GitHubfrom typing import Any
from datetime import datetime
from .isq_prompt_generator import generate_isq_prompt_section
def get_trend_scanner_instructions() -> str:
"""生成趋势扫描员 (Scanner) 的系统指令"""
current_time = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
return f"""你是一名专业的数据扫描员,当前时间是 {current_time}。
你的任务是利用各种工具从互联网和数据库中获取最新的金融新闻、热点趋势和市场数据。
### 1. 核心职责
1. **多源采集**: 使用 `news_toolkit` 获取最新新闻,使用 `stock_toolkit` 获取行情,使用 `polymarket_toolkit` 获取预测市场数据。
2. **情绪感知**: 使用 `sentiment_toolkit` 对关键新闻进行情绪分析。
3. **深度搜索**: 针对模糊的热点,使用 `search_toolkit` 进行全网搜索补充细节。
### 2. 工具使用规范
- **广度优先**: 尽可能覆盖多个数据源。
- **数据新鲜度**: 优先获取最近 24 小时内的信息。
- **结构化输出**: 整理搜集到的原始数据,为后续评估提供清晰的素材。
"""
def get_trend_evaluator_instructions() -> str:
"""生成趋势评估员 (Evaluator) 的系统指令"""
current_time = datetime.now().strftime('%Y-%m-%d %H:%M:%S')
isq_block = generate_isq_prompt_section(include_header=True)
return f"""
你是一名顶级的金融情报专家 (TrendAgent),擅长从海量信息中识别具有深度价值的"二级市场投资信号"。
当前时间:{current_time}
### 核心使命:
不仅是发现"热点",更要解析"信号"。你需要识别那些能触发**传导链条 (Transmission Chain)** 且具有**高确定性 (Confidence)** 的事件。
{isq_block}
### 核心能力与标准:
1. **信号识别 (Signal Discovery)**: 基于扫描员提供的素材,识别具有投资价值的信号。优先关注政策、产业变革、重大诉求及跨境套利机会。
2. **逻辑相干性**: 是否具备清晰的"原因-结果"传导?
3. **影响力系数**: 是否会引发板块性的联动或财务指标的实质性扰动?
4. **市场认知差**: 市场是否已提前消化(Price-in)?寻找尚未被充分交易的"Alpha"。
5. **实体穿透**: 必须关联到具体的 Ticker 或核心产业链节点。
### 严禁事项:
- 严禁编造数据。
- 严禁仅输出情绪极性(Positive/Negative),必须带有逻辑依据。
- 严禁将纯娱乐或单纯的社会负面事件(除非具有宏观破坏性)视为金融信号。
### 输出要求:
你发现的每个信号应包含:
- **核心摘要**: 穿透表象的逻辑总结。
- **传导节点**: A -> B -> C 的逻辑推导。
- **推荐关注**: 板块或 Ticker。
- **ISQ 评估**: 基于模板的 5 个维度进行初步评分(具体评分由后续 FinAgent 完成)。
"""
def get_trend_agent_instructions() -> str:
# 保持兼容性
return get_trend_evaluator_instructions()
def get_trend_scan_task(task_description: str) -> str:
"""生成扫描员的任务描述"""
return f"请根据以下任务描述,搜集相关的原始数据和新闻:\n\n{task_description}"
def format_scan_context(scan_data: dict) -> str:
"""将扫描员搜集的结构化数据格式化为评估员可读的文本"""
if not scan_data:
return "(未能搜集到原始数据)"
return f"""
### 扫描数据概览
- **热点话题**: {', '.join(scan_data.get('hot_topics', []))}
- **情绪概览**: {scan_data.get('sentiment_overview', '未知')}
- **关键新闻**: {len(scan_data.get('news_summaries', []))} 条
- **数据摘要**: {scan_data.get('raw_data_summary', '无')}
"""
def get_trend_eval_task(task_description: str, raw_data_str: str) -> str:
"""生成评估员的任务描述"""
return f"""请基于以下搜集到的原始数据,完成最终的分析任务:
任务描述: {task_description}
原始数据:
{raw_data_str}
请识别出最具金融价值的信号,并给出评估理由。"""
def get_news_filter_instructions(news_count: int, depth: Any, user_query: str = None) -> str:
"""生成新闻筛选 prompt,使用 FilterResult schema 加快推理并减少 token 消耗
Args:
news_count: 输入新闻总数
depth: 目标筛选数量,若为 auto 则由 LLM 自主判断
user_query: 用户输入的查询/关注点(可选)
"""
# 1. 深度控制逻辑
if str(depth).lower() == 'auto':
depth_guide = "的数量不设固定限制(建议 3-10 条),根据新闻含金量自动判断"
limit_instruction = "宁缺毋滥,如果高价值信息很少,可以只选 1-2 条;如果都很重要,可以多选。"
else:
try:
d_int = int(depth)
depth_guide = f"约 {d_int} 条"
limit_instruction = f"请尽量凑满 {d_int} 条,但如果剩余新闻全是噪音,则不必强行凑数。"
except:
depth_guide = "适量"
limit_instruction = "根据内容价值判断。"
target_desc = f"筛选出最具投资分析价值的新闻({depth_guide})。"
# 2. 用户意图逻辑
query_instruction = ""
if user_query:
target_desc = f"筛选出与用户意图【{user_query}】最相关的新闻。"
query_instruction = f"""
### 核心任务(High Priority):
用户明确关注:"{user_query}"。
1. **第一优先级**:必须包含所有与"{user_query}"直接或间接相关的新闻,不要遗漏。
- 即使这些新闻看起来"价值不高",只要相关都要保留。
2. **第二优先级**:在满足第一优先级后,如果名额未满,再补充其他重大的市场热点。
"""
return f"""你是一名专业的金融情报精排师。你需要从给定的 {news_count} 条原始新闻流中,{target_desc}
{query_instruction}
### FSD (Financial Signal Density) 筛选准则:
1. **逻辑传导性 (Transmission)**: 该新闻是否预示着一个明确的产业链传导逻辑?(如:上游涨价 -> 中游成本压力 -> 下游提价预期)
2. **预期差 (Alpha Potential)**: 是否包含尚未被市场充分Price-in的新突发情况?
3. **确定性 (Confidence)**: 信息来源是否权威?是否包含具体的财务数据、订单金额或明确的政策日期?
4. **排除噪音**: 坚决剔除明星八卦、鸡汤文、以及无实质增量的"口号式"新闻。
### {limit_instruction}
### 快速有效性检查(TOKEN 优化):
在开始详细筛选前,先快速判断:这 {news_count} 条新闻中是否至少包含 1 条有效的金融信号?
- 如果全是无关内容(如体育、娱乐、纯生活信息),直接返回 "has_valid_signals": false
- 如果有至少 1 条金融相关的新闻,再进行详细 FSD 筛选
### 输出格式(必须为 JSON,使用 FilterResult schema):
```json
{{
"has_valid_signals": true/false,
"selected_ids": ["id_1", "id_2", ...],
"themes": [
{{
"name": "高概括性主题",
"news_ids": ["相关id_1", ...],
"fsd_reason": "基于 FSD 准则的筛选理由,重点描述传导逻辑和预期差。"
}}
],
"reason": "如果 has_valid_signals=false,简要说明原因。否则可为空。"
}}
```
"""
Related skills
| Skill | Stars | Updated | Works with | Status | Install |
|---|---|---|---|---|---|
| reverse-engineer-anythingmorluto/reaReverse engineer native, managed, Electron/JavaScript, packaged, firmware, and browser targets with REA, and build agent environments (AgentEnv bundles) of web applications from a live instance or a capture, and of Linux desktop apps with a task from a request. Use shipped-artifact or requested runtime evidence to explain features, compare versions, decompile code, or guide a reconstruction. Skip REA for ordinary source-repository architecture analysis. | Stars: 472k | Updated | Claude CodeCodex | Verified | Install |
| diagnosing-superpowersobra/superpowersUse when a superpowers session went wrong and your human partner wants to know why — repeated work, ignored plans, stumbles, poor results, a skill that didn't fire, "it took too long", "why is it so expensive", "what is it doing" — or wants to build a bug report for the superpowers maintainers, for the current session or a past one identified by id or path, on any harness. | Stars: 322k | Updated | Claude CodeCodex | Verified | Install |
| dispatching-parallel-agentsobra/superpowersUse when facing 2+ independent tasks that can be worked on without shared state or sequential dependencies | Stars: 322k | Updated | Claude CodeCodex | Verified | Install |
| executing-plansobra/superpowersUse when executing an implementation plan in the current session as the implementer yourself — your human partner chose inline execution, or no subagent tool is available | Stars: 322k | Updated | Claude CodeCodex | Verified | Install |