Awesome-finance-skills的alphaear-signal-tracker：用强化/弱化/证伪方法论追踪投资信号完整指南
【免费下载链接】Awesome-finance-skillsA collection of Awesome Finance Agent Skills for free and easy to start | 一系列开源免费的金融分析Agent Skills项目地址: https://gitcode.com/gh_mirrors/aw/Awesome-finance-skills
在 Awesome-finance-skills 这套开源免费的金融分析 Agent 技能集合中，alphaear-signal-tracker（投资信号追踪）是帮助新手把"一次性判断"升级为"持续验证"的关键技能。它能基于最新市场信息，自动判断已有投资信号是被强化、弱化还是证伪，让你的 AI Agent 不再只是"报一次结论"，而是像职业分析师一样滚动跟踪每一条信号的演化。
为什么你需要投资信号追踪？
大多数人的投资分析流程是：看到一条消息 → 得出一个结论 → 然后就忘了。市场信息每天都在变：一条新闻、一次价格异动，都可能让昨天的判断从"看多"变成"逻辑不成立"。
alphaear-signal-tracker 解决的正是这个问题：它把投资信号当作一个活的状态，持续吸收新的新闻与价格数据，输出更新后的信号结论。核心逻辑非常清晰：
| 输入 | 处理过程 | 输出 |
|---|---|---|
| 已有信号状态 + 新信息（新闻/价格） | 对比信号逻辑 → 判断影响方向（正面/负面/中性）→ 更新置信度与强度 | 更新后的信号（强化/弱化/证伪/不变） |
技能定义与依赖说明见 SKILL.md。
强化 / 弱化 / 证伪：三种信号演化状态
该技能的核心方法论，是把信号演化归纳为三种明确的状态（外加"不变"）：
- 🔼Strengthened（强化）：新信息验证或加强了原有逻辑，比如产业链上下游数据继续向好，信号强度与置信度上调。
- 🔽Weakened（弱化）：新信息削弱了逻辑基础，比如利好部分被市场定价，预期差缩小，信号降级。
- ❌Falsified（证伪）：核心逻辑被新事实推翻，比如事件并未发生或方向相反，信号标记为失效。
每次演化都会在信号的reasoning字段写入 "Logic Evolution: ..." 的说明，并同步修正情绪分、置信度、预期差等参数，且保留原signal_id以便前后对照。完整的提示词模板见 references/PROMPTS.md。
三步工作流：研究 → 分析 → 追踪
Agent 扮演"追踪员"角色，按固定工作流执行三步：
- Research（研究）：使用 FinResearcher 提示词，确认股票代码、核实信号真实性、梳理产业链上下游。
- Analyze（分析）：使用 FinAnalyst 提示词，把研究材料转化为结构化
InvestmentSignal（含标题、传导链、预测摘要等）。 - Track（追踪）：对已有信号使用 Signal Tracking 提示词，基于新信息评估演化方向，输出完整更新后的信号 JSON。
工作流依赖两个姊妹技能取数：alphaear-search（全网搜索）与alphaear-stock（A股/港股行情）。另外，scripts/fin_agent.py 提供了sanitize_signal_output辅助方法，用于清洗 LLM 输出、防止股票代码与名称错误绑定，保证信号结果的可靠性。
ISQ 五维度：给你的信号打分
为了让信号可比较、可量化，技能内置了 ISQ（Investment Signal Quality）评分框架，五个维度定义在 scripts/schema/isq_template.py：
| 维度 | 含义 | 取值范围 |
|---|---|---|
| sentiment_score | 情绪/走势方向 | -1.0（极度看空）~ +1.0（极度看多） |
| confidence | 确定性/可信度 | 0.0 ~ 1.0 |
| intensity | 强度/影响量级 | 1（微弱）~ 5（极强） |
| expectation_gap | 预期差/博弈空间 | 0.0（充分定价）~ 1.0（巨大预期差） |
| timeliness | 时效性/窗口紧迫度 | 0.0（长期）~ 1.0（超短期） |
信号本体则由 Pydantic 模型InvestmentSignal严格约束，包含传导链（transmission_chain）、受影响标的（impact_tickers）、定价状态（price_in_status）与来源溯源（sources）等字段，定义见 scripts/schema/models.py。有了这套结构化打分，你的信号追踪结果可以直接喂给预测、报告等下游技能，形成完整闭环：
一键安装步骤
安装只需一条命令，推荐方式如下：
# 安装信号追踪技能 npx skills add RKiding/Awesome-finance-skills@alphaear-signal-tracker或手动克隆后复制到 Agent 技能目录（以 OpenCode 为例）：
git clone https://gitcode.com/gh_mirrors/aw/Awesome-finance-skills cp -r Awesome-finance-skills/skills/* ~/.config/opencode/skills/依赖方面仅需agno（Agent 框架）与内置的sqlite3，确保DatabaseManager正确初始化即可。技能主目录位于 skills/alphaear-signal-tracker/，基础自测用例见 tests/test_tracker.py。
安装后，试试对 Agent 说：
"追踪一下昨天那条'贵金属跳水'信号，最新新闻有没有强化或证伪它？"
小结
alphaear-signal-tracker 用强化/弱化/证伪三态模型，把投资信号从"静态结论"变成了"动态跟踪"，配合 ISQ 五维评分让每个判断都可量化、可追溯。对于刚入门 AI 金融分析的朋友，这是低成本理解"信号如何演化"的最佳实践——配合alphaear-search、alphaear-stock一起使用，就能跑通从信息采集到信号跟踪的完整链路。
【免费下载链接】Awesome-finance-skillsA collection of Awesome Finance Agent Skills for free and easy to start | 一系列开源免费的金融分析Agent Skills项目地址: https://gitcode.com/gh_mirrors/aw/Awesome-finance-skills
创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考