第 7 章 · 01 定增公告监控：基于事件而非行情
文档摘要
第 7 章 · 01 定增公告监控：基于事件而非行情 本节摘要：本节讲 Sequoia-X 第 7 套策略——定增公告监控。这是七套策略里唯一的事件驱动策略：它不读行情数据，而是从 akshare 拉取东方财富的「全部增发」数据，筛出最近 7 天内发布过定向增发（区别于公开增发）公告的股票。本节会先讲 A 股定增的基础知识（什么是定增、为什么值得关注、定向 vs 公开的区别）；再讲 akshare 数据源——它与 baostock 完全独立，两条链路并行不悖；然后讲 Sequoia-X 实现的三个细节——只保留定向增发、按时间窗口筛选、代码去重；最后用一段可运行的教学示例（用合成数据模拟公告表）演示完整流程。 内容来源：原项目定增公告策略模块精读。
第 7 章 · 01 定增公告监控：基于事件而非行情
本节摘要：本节讲 Sequoia-X 第 7 套策略——定增公告监控。这是七套策略里唯一的事件驱动策略：它不读行情数据，而是从 akshare 拉取东方财富的「全部增发」数据，筛出最近 7 天内发布过定向增发（区别于公开增发）公告的股票。本节会先讲 A 股定增的基础知识（什么是定增、为什么值得关注、定向 vs 公开的区别）；再讲 akshare 数据源——它与 baostock 完全独立，两条链路并行不悖；然后讲 Sequoia-X 实现的三个细节——只保留定向增发、按时间窗口筛选、代码去重；最后用一段可运行的教学示例（用合成数据模拟公告表）演示完整流程。
内容来源：原项目定增公告策略模块精读。
⚠️ 风险提示：本策略是「信息触达」的辅助——定增公告常被「内幕资金」先一步买入，公告日追入容易接盘。请把本策略结果视为「信息提示」而非「买入信号」。
学习目标
阅读完本节，你应当能够：
- 讲清 A 股定向增发的基础知识与投资含义。
- 理解事件驱动策略与技术面策略的根本差异。
- 读懂 Sequoia-X 定增策略的三个筛选细节。
- 用一段可运行的代码演示「事件筛选」的完整流程。
一、什么是 A 股定增
定向增发（简称「定增」）是 A 股上市公司常用的再融资方式：
上市公司向特定的少数投资者（机构、关联方、战略伙伴等）发行新股，筹集资金。
与「公开增发」（向全市场发行）的关键区别：
| 维度 | 定向增发 | 公开增发 |
|---|---|---|
| 发行对象 | 特定（机构、关联方） | 不特定（全市场） |
| 发行价 | 协商（常低于市价） | 询价 |
| 监管要求 | 较宽松 | 严格 |
| 信息披露 | 定增方案 / 进度公告 | 招股书 |
| 市场关注度 | 高（暗示投资逻辑） | 中 |
为什么值得关注：
- 定增价常低于市价——参与定增的机构有「安全垫」；
- 定增对象常含战略投资者——可能带来业务协同；
- 定增资金用途——常用于扩产、并购、研发，暗示公司战略方向；
- 市场情绪——定增公告常被视为「利好」信号。
二、akshare：事件数据源
为什么 Sequoia-X 用 akshare 拉定增公告？
| 维度 | akshare | baostock |
|---|---|---|
| 数据类型 | 事件型（公告、资金流、新闻） | 行情型（K 线、财务） |
| 实时性 | 较好（聚合多源） | 一般（隔日） |
| 接口 | 简单（ak.xxx_em()） |
简单（bs.query_xxx） |
| 在 Sequoia-X 中 | 定增公告策略 | 数据引擎 / 海龟策略 |
Sequoia-X 的策略层两条数据链路完全独立：
这是 Sequoia-X 架构的精妙之处——技术面策略和事件策略完全不共享数据——可以独立优化、独立替换、独立失败。
三、Sequoia-X 的三个筛选细节
Sequoia-X 的定增策略核心实现是**「拉 → 筛 → 去重」**三步：
def run(self) -> list[str]: # 1. 拉：akshare 拉全市场增发数据 df = ak.stock_qbzf_em() # 东方财富 - 全部增发 # 2. 筛：只保留「定向增发」（排除公开增发） df = df[df["发行方式"] == "定向增发"] # 3. 时间窗：只保留最近 7 天内的公告 cutoff = today - timedelta(days=7) df = df[df["发行日期"].dt.date >= cutoff] # 4. 去重：同一只票可能有多次定增 symbols = df["股票代码"].unique().tolist() return symbols
细节 1：只保留「定向增发」
df = df[df["发行方式"] == "定向增发"]
为什么排除「公开增发」？
- 公开增发市场关注度低（向全市场发行，**没有「特定对象」**的特殊含义）；
- 公开增发的市场反应通常较弱（无利可图的「安全垫」）；
- 公开增发常是业绩不好时的无奈融资——负面信号。
「定向增发」过滤后留下的标的质量更高。
细节 2：按时间窗口筛选
cutoff = today - timedelta(days=7) df = df[df["发行日期"].dt.date >= cutoff]
为什么是 7 天？
- 公告次日通常有显著反应（事件冲击），1~2 天后反应衰减；
- 7 天足以覆盖一轮行情（一周 5 个交易日）；
- 太长（30+ 天）会筛出已经被市场消化的旧公告；
- 太短（1~2 天）会漏掉周末跨日的公告。
7 天是「覆盖最新一周」的经验值。
细节 3：去重
# 同一只票可能有多次定增（一年内多次发行） symbols = df["股票代码"].unique().tolist()
A 股允许上市公司一年内多次定增——同一只票可能有多行数据。Sequoia-X 用 unique() 自然去重——避免「同一只票在飞书消息里出现多次」。
这是一个小但重要的细节——去重让推送更清爽。
四、可运行教学代码（用合成数据）
akshare 的真实接口在沙箱中可能受限，下面用合成数据完整演示策略的三步筛选逻辑：
# private_placement_demo.py # 可运行：定增公告策略模拟 import random from datetime import date, timedelta def fake_stock_qbzf_em() -> list[dict]: """模拟 akshare.stock_qbzf_em() 的返回数据。""" today = date.today() return [ # 近期定向增发（应保留） {"股票代码": "000001.SZ", "股票名称": "平安银行", "发行方式": "定向增发", "发行日期": today - timedelta(days=1)}, {"股票代码": "600519.SH", "股票名称": "贵州茅台", "发行方式": "定向增发", "发行日期": today - timedelta(days=3)}, {"股票代码": "300750.SZ", "股票名称": "宁德时代", "发行方式": "定向增发", "发行日期": today - timedelta(days=6)}, # 同一只票 1 年内多次定增（应去重） {"股票代码": "000001.SZ", "股票名称": "平安银行", "发行方式": "定向增发", "发行日期": today - timedelta(days=2)}, # 公开增发（应排除） {"股票代码": "601318.SH", "股票名称": "中国平安", "发行方式": "公开增发", "发行日期": today - timedelta(days=1)}, # 超过 7 天的旧公告（应排除） {"股票代码": "002594.SZ", "股票名称": "比亚迪", "发行方式": "定向增发", "发行日期": today - timedelta(days=15)}, {"股票代码": "600036.SH", "股票名称": "招商银行", "发行方式": "定向增发", "发行日期": today - timedelta(days=30)}, ] def detect_private_placement(rows: list[dict], lookback_days: int = 7) -> list[str]: """Sequoia-X 定增策略的核心筛选逻辑。""" today = date.today() cutoff = today - timedelta(days=lookback_days) # 1. 发行方式 = 定向增发 rows = [r for r in rows if r["发行方式"] == "定向增发"] # 2. 时间窗口 rows = [r for r in rows if r["发行日期"] >= cutoff] # 3. 提取代码（去掉交易所后缀，纯 6 位数字） symbols_with_suffix = [r["股票代码"] for r in rows] symbols = list(set(s.split(".")[0] for s in symbols_with_suffix)) # 自动去重 return sorted(symbols) if __name__ == "__main__": raw = fake_stock_qbzf_em() selected = detect_private_placement(raw) print(f"近 {7} 天内定向增发（去重后）共 {len(selected)} 只：") for s in selected: print(f" {s}")
预期输出：
近 7 天内定向增发（去重后）共 3 只： 000001 300750 600519
这段代码清晰展示：三个筛选步骤（定向增发 + 7 天窗口 + 去重）协同工作，把 7 条原始数据筛成 3 只入选标的。
五、akshare 真实接口使用（需网络）
如果你的环境有 akshare 且能访问东方财富，真实接口长这样：
import akshare as ak # 拉全市场增发数据（东方财富） df = ak.stock_qbzf_em() # 字段包括：股票代码、股票名称、发行方式、发行日期、增发价格、增发数量等 print(df.columns.tolist()) # ['股票代码', '股票名称', '发行方式', '发行日期', '增发价格', '增发数量', ...] # 筛选 + 提取代码的逻辑与上面 mock 数据完全相同
ak.stock_qbzf_em()的返回字段可能随 akshare 版本变化——Sequoia-X 用的是稳定的字段名（股票代码、股票名称、发行方式、发行日期），但新增字段可能影响列名解析。生产环境建议用 try/except 包装，字段变化时优雅降级。
六、为什么 Sequoia-X 把定增作为「信息触达」而非「买入信号」
定增公告常被「内幕资金」先一步买入：
定增方案敲定 │ ├── 内幕资金（定增对象）→ 提前建仓 │ ▼ 公告发布日 ← 你看到的 │ ▼ 公告次日 ← 股价常高开（**你追入的位置**）
所以 Sequoia-X 不把定增当买入信号，而是当**「信息触达」**——告诉用户「这家公司最近有定增」，让你自己判断要不要研究、要怎么操作。
这是「工程师的克制」——给信息，不给结论。
七、与其他六套策略的市况对比
| 策略 | 信号类型 | 数据源 | 适配市况 | 触发频率 |
|---|---|---|---|---|
| 海龟突破 | 价格趋势 | baostock | 强趋势 | 日 |
| 均线金叉放量 | 价格趋势 | baostock | 趋势启动 | 日 |
| 高窄旗形 | 形态结构 | baostock | 趋势中继 | 日 |
| 涨停洗盘 | 形态结构 | baostock | 强势调整 | 日 |
| 上升趋势跌停 | 形态结构 | baostock | 错杀机会 | 日 |
| RPS 相对强度 | 相对强度 | baostock | 牛市/反弹 | 日 |
| 定增公告 | 事件驱动 | akshare | 信息扩散期 | 不定期 |
七套策略数据源不同、信号类型不同、市况适配不同——互补而非互斥。
八、边界与失效场景
| 场景 | 策略表现 |
|---|---|
| 信息扩散期（公告刚发布） | 信号最有效——市场还在消化 |
| 内幕消化期（公告前已大涨） | 容易接盘——内幕资金已高位出货 |
| 定增失败（董事会撤回） | 假信号——公告有过但实际未实施 |
| 定增中止（市场环境变化） | 历史公告仍被策略筛出 |
不建议把定增策略作为「独立买入信号」，应作为「研究提示」。
九、本节在全景图的位置
定增公告策略 ✅ ← 本节 │ ▼ 下一节（第 02 节）飞书卡片：把选股结果变成「**看一眼就懂**」的消息
本节要点回顾
- A 股定增：上市公司向特定对象发行新股，对市场关注度高。
- akshare 数据源：事件型数据（公告、资金流、新闻），与 baostock 行情源完全独立。
- 三步筛选：发行方式 = 定向增发 → 7 天时间窗口 → 代码去重。
- 信息触达 vs 买入信号：Sequoia-X 把定增当信息提示，不是买入信号——给信息不给结论。
- 七策略互补：技术面六套（baostock）+ 事件一套（akshare），数据源 / 触发 / 市况全互补。
- 可运行示例：7 条 mock 数据 → 3 条入选，亲眼看三步筛选的过滤效果。
配套教学脚本：
images/private_placement_demo.py——用合成数据演示定增筛选。
下一节，我们把选股结果从「一组代码」变成「飞书卡片」——讲 Sequoia-X 的触达层。