Stock Monitor

一个面向 A 股场景的 AI 事件驱动监控与研究系统。项目围绕“公告异动 + 宏观主题 + 主线共振”三条线构建，从原始公告与快讯抓取开始，经过规则去噪、信号评分、事件聚类、主题映射和 AI 总结，最终输出盘前早报、盘后复盘、盘中实时预警，以及可供 Agent 调用的 MCP 研究接口。

当前主线重点是 A 股，美股能力保留在仓库中，但运行配置已经切到 A 股优先。

项目定位

这不是一个“把公告直接丢给大模型总结”的 Demo，而是一个把金融事件理解链路工程化后的 AI 应用：

• 前端数据侧负责高频抓取 A 股公告和宏观快讯
• 中间理解层负责规则识别、信号评分、事件聚类和主题映射
• AI 层只消费已经结构化和压缩过的高价值上下文，生成更接近投研表达的结论
• 输出层同时服务群推送、盘前盘后报告和 Agent/MCP 问答

AI 技术亮点

1. 规则引擎先行，避免“大模型直接读公告”带来的噪音和幻觉

项目先用领域规则做一轮硬过滤和打分，只把真正有交易意义的事件送进后续 AI 链路。A 股公告侧会区分业绩兑现、重大合同、并购重组、产品获批、回购增持、减持套现、监管处罚、退市风险等事件，并主动过滤会议、治理、理财、募集资金、例行进展等行政噪音。

这一层的价值是把模型输入从“公告流水账”变成“高价值事件流”，让 AI 输出更稳定，也更接近交易语言。

2. 不是按公告条数排行，而是按“事件簇”理解个股

同一只股票的多条公告会按 clusterKey 聚成事件簇，避免把财报打包披露、系列补充公告或同类进展误判成多次独立异动。系统会先计算事件簇分，再进一步计算股票聚合分，识别真正主导市场预期的核心事件。

这比简单关键词匹配或标题频次统计更接近研究员的工作方式，也让“为什么上榜”这件事可解释。

3. 宏观主题识别不是人工标签，而是可持续更新的影子主题池

宏观快讯侧会识别政策、流动性、产业、价格和外部风险等主题信号，形成宏观主题事件；同时通过显式提股识别、观察池映射和自动候选池累积命中，持续建立“主题 -> 标的”的关系网络。

这意味着系统不只是知道“今天有利好消息”，而是能进一步回答“这条主线可能影响哪些股票”。

4. 公告事件与宏观主线做了“共振融合”

项目单独构建了 A 股公告与宏观主题之间的共振评分机制。一个股票如果同时命中高价值公告和高强度主题，会得到更高的融合分，并在盘前早报、盘中预警和 MCP 问答里被优先解释。

这一步解决的是实际交易里最关键的问题之一：为什么有些公告只是普通消息，有些却会被资金放大成主线级机会或风险。

5. LLM 不是做原始判断，而是做“结构化上下文上的高质量表达”

在生成盘前早报、盘后复盘和摘要时，模型接收的不是原始 RSS，而是：

• 已去噪的公告候选
• 聚类后的事件卡片
• 风险/机会分栏结果
• 宏观主线列表
• 共振标的列表
• 明确的自检清单和输出格式约束

因此模型的职责从“猜市场”变成“基于结构化证据做高质量归纳与表达”，可控性明显高于通用问答型实现。

6. 把研究能力产品化为 MCP Server，方便接入 Agent

项目不是停留在群消息推送，而是把 A 股研究能力进一步封装成 MCP Server，对外暴露：

• 个股解析
• 个股信号摘要
• 个股事件卡
• 机会榜 / 风险榜
• 宏观主题榜
• 主题共振榜

这让系统可以直接接入企业微信机器人、内部 Agent 工作流、投研 Copilot 或其他基于 LLM 的问答系统。

核心能力

• A 股公告高频抓取与入库
• 宏观快讯抓取、主题识别与影子主题池构建
• 公告去噪、事件分类、方向判断、信号评分
• 基于事件簇的个股聚合排序
• 宏观主题与个股映射关系构建
• 公告事件与宏观主线共振识别
• A 股盘前早报与盘后复盘自动生成
• A 股盘中实时预警推送
• 面向 Agent 的 A 股 MCP 研究接口

系统流程

公告 / 宏观快讯抓取
        ->
规则去噪 + 事件分类 + 信号评分
        ->
事件聚类 + 个股聚合排序
        ->
宏观主题识别 + 标的映射 + 自动候选池
        ->
公告-主题共振融合
        ->
LLM 生成盘前 / 盘后报告与摘要
        ->
企业微信推送 / MCP 问答输出

模块说明

stock-web

主业务服务，负责：

• A 股公告与宏观新闻抓取
• 规则评分、事件聚类、榜单排序
• 盘前早报、盘后复盘、盘中实时预警
• 企业微信 / 钉钉消息推送

a-stock-mcp

A 股研究型 MCP Server，负责把项目里的研究能力以工具接口形式暴露给外部 Agent。

stock-common

公共配置、工具类和通用实体。

us-stock-mcp

美股研究能力模块。目前仓库中仍保留，但当前运行侧重心已经转向 A 股。

技术栈

• Java 21
• Spring Boot 3.5
• Spring AI
• Spring AI MCP Server
• MyBatis-Plus
• MySQL
• Jsoup / Rome
• 企业微信 / 钉钉机器人

适用场景

• A 股盘前异动梳理
• 盘后事件复盘
• 盘中高价值公告预警
• 题材主线与个股映射研究
• 内部投研助手或企业微信问答机器人
• 基于 MCP 的金融 Agent 工具接入

项目价值总结

这个项目的核心价值，不是“用了大模型”，而是把 A 股事件驱动研究拆成了一条可复用、可解释、可部署的工程链路：

• 用规则引擎保证输入质量
• 用聚类与评分保证结果稳定
• 用主题映射与共振融合提升信号密度
• 用 LLM 提升表达质量和交互体验
• 用 MCP 把研究能力标准化输出

如果把它作为项目介绍，可以概括为：

一个面向 A 股事件驱动场景的 AI 投研系统，利用规则引擎、事件聚类、宏观主题映射、共振评分和 Spring AI/MCP 能力，把公告与快讯转化为可用于盘前预警、盘后复盘和 Agent 问答的结构化研究结果。