n8n每日跟踪SEC财报并做情绪与风险分析

原文要点

作者WeblineIndia发布的n8n免费模板（工作流20594）：每天定时运行，调用SEC EDGAR submissions API按CIK取目标公司最新10-K或10-Q，用Google Sheets按accessionNumber去重；新备案则下载主文档HTML，抽取Risk Factors与MD&A章节，按关键词筛选后交OpenAI返回结构化JSON（情绪倾向、风险等级、关键风险、展望、财务亮点），元数据与分析追加到Sheets并发Slack格式化摘要。配置要求：OpenAI凭据与模型选择、Sheets的ID/标签页/列名、Slack频道，所有SEC请求须带合法User-Agent头。

这次做成什么

在n8n搭一条每日财报监控线：自动发现目标公司新10-K/10-Q、抽取风险与MD&A文本做AI情绪风险分析、归档到Sheets并推Slack。未提供可导入工作流文件，以下为按原文流程独立设计的搭建与练习方案，需对照原模板核对节点参数。

准备什么

• 一个n8n实例（自托管或云端均可，定时触发即可）
• OpenAI API凭据，并在OpenAI节点中选定模型
• 一个Google Sheet及OAuth凭据，含至少一列accessionNumber用于去重
• Slack凭据与一个测试频道
• 目标公司的SEC CIK编号（练习可用苹果公司的CIK 0000320193）

具体怎么做

1. 准备去重表

   新建Google Sheet，标签页如filings，表头依次设为accessionNumber、form、filingDate、primaryDocument、sentiment、riskLevel、keyRisks、outlook、highlights。记下Spreadsheet ID，连接Google Sheets OAuth凭据。

2. 每日拉取EDGAR备案列表

   加Schedule Trigger设为每天一次；接HTTP Request节点GET https://data.sec.gov/submissions/CIK0000320193.json，Headers中必须加User-Agent（如 YourName your-email@example.com，SEC要求可联系的标识），否则会被拒。用Code节点从recent里筛form为10-K或10-Q的最新一条，取accessionNumber、filingDate、primaryDocument。

3. 按备案号去重

   Google Sheets节点按accessionNumber列查找当前备案号；接IF节点：已存在则直接结束（NoOp），不存在进入下载分支。这是避免每天重复分析同一文件的关键。

4. 下载正文并抽取章节

   HTTP Request节点下载主文档（URL形如https://www.sec.gov/Archives/edgar/data/{cik去掉前导零}/{accessionNumber去横线}/{primaryDocument}，同样带User-Agent）。接HTML/Code节点从HTML中定位Risk Factors与MD&A（Item 1A、Item 7）章节文本，再按风险关键词（如risk、uncertainty、adverse、regulation）筛出相关段落子集，控制送入模型的长度。

5. OpenAI结构化分析并归档通知

   OpenAI节点用材料中的分析提示词，要求返回严格JSON（sentiment、riskLevel、keyRisks、outlook、highlights）；Code节点解析后把备案元数据与结果合并，Google Sheets节点append一行；Slack节点向测试频道发格式化摘要，包含公司、表格类型、日期、风险等级与三条关键风险。

6. 联测与排错

   手动执行一次：首次应写入一行并发Slack；立即再执行一次，去重分支应生效、表内不新增行。若SEC请求返回403，优先检查User-Agent头是否缺失。

可直接复制的材料

你是证券分析助手。以下文本摘自某公司SEC 10-K/10-Q文件中的Risk Factors与MD&A章节（已按关键词筛选）。请只输出一个JSON对象，不要输出其他文字：
{"sentiment":"positive|neutral|negative 之一","riskLevel":"low|medium|high 之一","keyRisks":["风险1","风险2","风险3"],"outlook":"管理层展望一句话概括","highlights":["财务或经营亮点1","亮点2"]}
判断依据仅限所给文本，不得引入外部信息；找不到的信息填null。
文本：
{{$json.filteredText}}

accessionNumber,form,filingDate,primaryDocument,sentiment,riskLevel,keyRisks,outlook,highlights
0000320193-25-000079,10-Q,2025-08-01,aapl-20250628.htm,neutral,medium,"供应链集中度上升;关税政策不确定;汇率波动","管理层预计下半年营收温和增长","服务业务收入创新高;毛利率环比改善"

输入与输出示例

本站虚构演示，非原作者运行结果；情绪与风险评级为提示词练习输出示例，不构成投资判断。

输入

对CIK 0000320193（苹果公司，作为公开练习对象）执行一次工作流，EDGAR返回最新10-Q备案号0000320193-25-000079，主文档aapl-20250628.htm，抽取的风险段落含供应链与关税相关表述。

对应输出

Sheets新增一行：0000320193-25-000079 | 10-Q | 2025-08-01 | neutral | medium；Slack摘要：【苹果 10-Q 2025-08-01】情绪：neutral，风险等级：medium；关键风险：供应链集中度上升、关税政策不确定、汇率波动；展望：管理层预计下半年营收温和增长。再次执行因accessionNumber已存在而跳过。

做完检查这些

• HTTP请求带合法User-Agent时EDGAR接口返回200，缺失时按预期被拒并知道如何修
• 同一accessionNumber第二次运行时去重分支生效，Sheets不重复追加
• OpenAI输出能被解析为JSON且五个字段齐全后才写入表格
• Slack消息中公司、form、filingDate与Sheets新增行一致
• 筛选后送入模型的文本明显短于原文HTML且只含风险相关段落

容易卡住的地方

• SEC对无User-Agent或频率过高的请求会直接拒绝，头里要留可联系的邮箱
• EDGAR的HTML章节标题写法各公司不一，Item 1A/7定位需容错，必要时回退为关键词截取
• 10-K全文很长，不做关键词子集筛选容易超模型上下文且费用上升
• OpenAI模型调用可能产生费用，模板免费不等于分析免费
• 去重依赖accessionNumber列名与映射完全一致，表头拼写错会导致重复入库