一、开篇：为什么你需要这个工具？
刷 K 线图时，你一定有过这种体验：股价突然跳水 8%，你盯着屏幕满头问号——发生了什么？是财报暴雷、行业利空，还是大资金出逃？新闻散落在各大平台，公告藏在巨潮资讯，券商研报需要付费订阅。等你拼凑完整套信息，半小时过去了，股价早已反弹到位。
对散户而言，K 线图只展示了「结果」，却把「原因」藏在了信息的海洋里。PokieTicker 想解决的就是这个痛点：把新闻直接钉在 K 线图上，让每一次价格异动都能追溯到具体事件。
二、项目简介：一句话说明它是什么
PokieTicker 是一款事件驱动的股票分析工具，核心定位是「K 线图 + 新闻 + AI 解读」三位一体。它通过 XGBoost 模型结合新闻情感与技术指标，对 T+1、T+3、T+5 三种时间窗口进行方向预测，并在前端用 D3.js 渲染可交互图表。
项目关键特性速览：
- 新闻点位叠加：在 K 线图每个交易日标注新闻事件，点击查看详情
- AI 归因分析：选定日期范围，AI 解释涨跌原因
- 历史相似事件匹配：基于余弦相似度找到历史上类似新闻密集出现的时间段
- 多周期预测：提供 7 天与 30 天趋势预测
截至目前，仓库已收获 815 Stars，使用 MIT 协议开源，技术栈覆盖 React + TypeScript + FastAPI + XGBoost，配套 51K+ OHLC 行与 61K+ 新闻条目，开箱即用。
三、核心功能深度解析
1. K 线图上的新闻点位
传统行情软件只展示 OHLC 四个数值，PokieTicker 在每根 K 线上方叠加新闻圆点。点击点位，右侧栏立即弹出当日新闻列表，按情感分数排序，附带「上涨原因」「下跌原因」摘要。
这套设计借鉴了「事件驱动思维」：股价是结果，事件是原因。把原因钉在结果旁边，眼睛一扫就能建立因果直觉，对新手尤其友好。
2. 按影响类型筛选新闻
项目内置六大分类：市场情绪、财报、产品、政策、竞争、管理层变动。点击任一分类，图表只保留相关事件，并区分看涨（bullish）与看跌（bearish）标签。例如筛选「财报」类别，能快速定位历史上每次业绩披露前后的股价反应。
3. 历史相似事件检索
系统会把当日新闻特征（情感分数、负面占比、话题关键词）转化为向量，与数据库中所有历史交易日做余弦相似度计算。匹配度最高的 N 天会展示在「Similar Days」面板，并标注其后 1 天、3 天、5 天的实际涨跌。
这相当于一个轻量级的「以史为鉴」机制：当你看到今日有 3 条负面财报新闻聚簇，系统会告诉你历史上类似情况发生后股价平均跌了多少。
4. AI 区间归因
在图表上框选一段日期，弹出「为什么下跌/上涨？」对话框，后端调用 Claude Sonnet 对区间内所有新闻做深度分析，输出结构化归因报告。这一层属于按需调用（on-demand），每次约 0.003 美元。
四、技术亮点与性能数据
特征工程共 31 维，分为两大块：
- 新闻特征（13 维）：文章数量、情感分数、正负比、3/5/10 日滚动均值、情感动量
- 技术特征（18 维）：1/3/5/10 日收益率、波动率、成交量比、RSI-14、均线交叉信号
数据处理流水线采用三层架构：
- Layer 0：基于规则过滤垃圾与 listicle 类内容，免费层，淘汰率约 17%
- Layer 1：Claude Haiku 批量 API，每批 50 篇，单价约 0.35 美元/千篇
- Layer 2：Claude Sonnet 按需深度分析，单价 0.003 美元/篇
预测引擎基于 XGBoost 分类器，对 T+1、T+3、T+5 三个时间窗口分别建模。回测显示，短期方向预测准确率优于随机基准，但作者明确标注「这是实验性学习工具，不是投资建议」。
架构层面：前端 React + Vite + D3.js，后端 FastAPI + SQLite（WAL 模式），全栈约 30 个模块、清晰的关注点分离。
五、适用场景与人群
场景 1：股票新手建立认知
K 线图配新闻点位 = 沉浸式教学。新手能在 30 分钟内理解「财报超预期」「指引下调」这些术语对股价的真实冲击。
场景 2：复盘历史异动
当你想研究某只股票过去一年的关键转折点，PokieTicker 的事件标注 + 相似日检索能帮你快速定位决策时刻。
场景 3：量化研究原型验证
项目自带回测框架（backtest.py）与特征工程代码，量化爱好者可以基于此快速验证「新闻情感 × 技术指标」类策略。
适合：股票初学者、量化爱好者、对事件驱动策略感兴趣的研究者。
不适合：需要实时 tick 级数据的日内交易者、追求高 Sharpe 的机构投资者、寻找「财富密码」的投机者。
六、竞品对比
| 工具 | 新闻叠加 | AI 归因 | 预测模型 | 开源 | 学习成本 |
|---|---|---|---|---|---|
| PokieTicker | ✅ K 线上钉点 | ✅ Sonnet 深度分析 | ✅ XGBoost T+1/T+3/T+5 | ✅ MIT | 中 |
| TradingView | ❌ 需手动加注释 | ❌ | ❌ | ❌ | 低 |
| FinGPT | ❌ | ⚠️ 仅情感分数 | ⚠️ 实验性 | ✅ | 高 |
| 东方财富 | ❌ 新闻独立栏 | ❌ | ❌ | ❌ | 低 |
相比 TradingView 的纯图表视角，PokieTicker 把新闻融进了图表本身；相比 FinGPT 的纯文本路线，它提供了端到端的可视化与回测。
七、如何快速上手
仓库内置预构建数据库 pokieticker.db.gz，无需 API Key 即可体验完整功能：
git clone https://github.com/owengetinfo-design/PokieTicker.git
cd PokieTicker
gunzip -k pokieticker.db.gz
tar xzf models.tar.gz -C backend/ml/
python -m venv venv
source venv/bin/activate
pip install -r requirements.txt
cd frontend && npm install
启动两个服务：
# 终端 1：后端
uvicorn backend.api.main:app --reload
# 终端 2：前端
cd frontend && npm run dev
浏览器打开 http://localhost:7777/PokieTicker/ 即可使用。
进阶建议：若想接入实时数据，复制 .env.example 并填入 Polygon.io（免费层）与 Anthropic API Key，每周运行 python -m backend.weekly_update 即可增量更新，整体周成本约 1-2 美元。
八、总结与行动建议
PokieTicker 的核心价值在于「让价格变动有据可查」。它把碎片化新闻、AI 解读、量化预测整合进同一个交互界面，对培养事件驱动思维特别有帮助。三个层次的渐进使用建议：
- 入门：直接访问 mitrui.com/PokieTicker 在线 Demo，无需部署
- 进阶：本地运行仓库，体验完整 51K+ 数据集
- 深度：接入自有 API Key，跑通完整数据流水线与自定义模型训练
项目链接：
- GitHub：https://github.com/owengetinfo-design/PokieTicker
- 在线 Demo：https://mitrui.com/PokieTicker
- 协议：MIT
一句话推荐：如果你想看懂「K 线背后的故事」，PokieTicker 是目前最轻量、最完整的开源答案。