- OpenBB 的 equity.calendar.earnings API 可以查歷史與未來財報日曆，並包含 EPS 與 revenue 數據，適合 Python 量化系統直接整合。[1]
- AInvest 的 earnings calendar 會返回 eps actual、eps forecast、eps surprise 等欄位，可直接用來判斷財報高於或低於預期。[2]
- Bigdata 的 Earnings Surprises API 提供 reporting date、eps actual、eps estimated 等數據，適合做財報發布後的 surprise 檢查。[4]
- API Ninjas、StockFit 等也提供 earnings calendar 或 upcoming earnings API，可以作為備用資料來源。[5][7]
如图所示，美股的财报每天都会有日历跟踪，假设我有个信号触发列表，我希望列表中新增一列，来获取当前的财报发布时间，已发布的给出 高于预期还是低于预期的判断，还没发布的给出时间 比如5 12 盘前或5 12 盘后， 主要是需要这个数据接口 来集成到我的信号触发程序中， 哪些开源接口可AI-generated editorial hero image for 如图所示，美股的财报每天都会有日历跟踪，假设我有个信号触发列表，我希望列表中新增一列，来获取当前的财报发布时间，已发布的给出 高于预期还是低于预期的判断，还没发布的给出时间 比如5 12 盘前或5 12 盘后， 主要是需要这个数据接口 来集成到我的信号触发程序中， 哪些开源接口可.AI 提示Create a landscape editorial hero image for this Studio Global article: 如图所示，美股的财报每天都会有日历跟踪，假设我有个信号触发列表，我希望列表中新增一列，来获取当前的财报发布时间，已发布的给出 高于预期还是低于预期的判断，还没发布的给出时间 比如5 12 盘前或5 12 盘后， 主要是需要这个数据接口 来集成到我的信号触发程序中， 哪些开源接口可. Article summary: 可以优先看 OpenBB 的 equity.calendar.earnings，它是 Python 侧较容易集成到量化/信号程序里的接口，文档给出了 from openbb import obb 和 obb.equity.calendar.earnings() 示例，并明确支持获取历史和未来财报发布，且包含 EPS 与营收数据。[1] 如果你的核心需求是“已发布后判断高于/低于预期”，AInvest 和 Bigdata 的接口证据更直接. Topic tags: deepresearch, general web, llm, agents, ai. Reference image context from search candidates: Reference image 1: visual subject "`# Upload the required packages library(xlsx);library(zoo);library(quantmod);library(rowr);library(TTR); # Set the parameters here pc_up_level = 6 # Set the high percentage thresh" source context "Quantinsti-博客中文翻译-六- - 绝不原创的飞龙" Reference image 2: visual subject "`# Upload the required packages library(xlsx
openai.com如果你想喺自己嘅 交易訊號列表（signal trigger list） 裡面加一欄財報資訊，例如：
- 未公布：顯示
5‑12 盤前 / 盤後
- 已公布：顯示
高於預期 / 低於預期
其實只要接入一個 earnings calendar + earnings surprise API 就可以做到。以下幾個接口對量化或自動化系統比較實用。
1️⃣ OpenBB：最容易整合 Python 量化系統
如果你的策略程式是 Python，OpenBB 通常是最順手的入口。
OpenBB 提供：
obb.equity.calendar.earnings() 查詢財報日曆- 支援歷史與未來 earnings events
- 返回 EPS 與 revenue 數據
官方示例：
from openbb import obb
obb.equity.calendar.earnings()
obb.equity.calendar.earnings(
start_date="2024-02-01",
end_date="2024-02-07"
)
這個 endpoint 可以取得：
- 公司 symbol
- 財報日期
- EPS / revenue 數據
適合用來做 財報日曆主資料源。
另外 OpenBB 其實可以指定不同 provider（例如 fmp、nasdaq 等），所以底層數據源可以切換。
人們還問
「整合美股財報日曆到交易訊號系統：有哪些開源 API 可用？」的簡短答案是什麼？
OpenBB 的 equity.calendar.earnings API 可以查歷史與未來財報日曆，並包含 EPS 與 revenue 數據，適合 Python 量化系統直接整合。[1]
首先要驗證的關鍵點是什麼？
OpenBB 的 equity.calendar.earnings API 可以查歷史與未來財報日曆，並包含 EPS 與 revenue 數據，適合 Python 量化系統直接整合。[1] AInvest 的 earnings calendar 會返回 eps actual、eps forecast、eps surprise 等欄位，可直接用來判斷財報高於或低於預期。[2]
接下來在實務上我該做什麼？
Bigdata 的 Earnings Surprises API 提供 reporting date、eps actual、eps estimated 等數據，適合做財報發布後的 surprise 檢查。[4]
- OpenBB 的 equity.calendar.earnings API 可以查歷史與未來財報日曆，並包含 EPS 與 revenue 數據，適合 Python 量化系統直接整合。[1]
- AInvest 的 earnings calendar 會返回 eps actual、eps forecast、eps surprise 等欄位，可直接用來判斷財報高於或低於預期。[2]
- Bigdata 的 Earnings Surprises API 提供 reporting date、eps actual、eps estimated 等數據，適合做財報發布後的 surprise 檢查。[4]
- API Ninjas、StockFit 等也提供 earnings calendar 或 upcoming earnings API，可以作為備用資料來源。[5][7]
如图所示，美股的财报每天都会有日历跟踪，假设我有个信号触发列表，我希望列表中新增一列，来获取当前的财报发布时间，已发布的给出 高于预期还是低于预期的判断，还没发布的给出时间 比如5 12 盘前或5 12 盘后， 主要是需要这个数据接口 来集成到我的信号触发程序中， 哪些开源接口可AI-generated editorial hero image for 如图所示，美股的财报每天都会有日历跟踪，假设我有个信号触发列表，我希望列表中新增一列，来获取当前的财报发布时间，已发布的给出 高于预期还是低于预期的判断，还没发布的给出时间 比如5 12 盘前或5 12 盘后， 主要是需要这个数据接口 来集成到我的信号触发程序中， 哪些开源接口可.AI 提示Create a landscape editorial hero image for this Studio Global article: 如图所示，美股的财报每天都会有日历跟踪，假设我有个信号触发列表，我希望列表中新增一列，来获取当前的财报发布时间，已发布的给出 高于预期还是低于预期的判断，还没发布的给出时间 比如5 12 盘前或5 12 盘后， 主要是需要这个数据接口 来集成到我的信号触发程序中， 哪些开源接口可. Article summary: 可以优先看 OpenBB 的 equity.calendar.earnings，它是 Python 侧较容易集成到量化/信号程序里的接口，文档给出了 from openbb import obb 和 obb.equity.calendar.earnings() 示例，并明确支持获取历史和未来财报发布，且包含 EPS 与营收数据。[1] 如果你的核心需求是“已发布后判断高于/低于预期”，AInvest 和 Bigdata 的接口证据更直接. Topic tags: deepresearch, general web, llm, agents, ai. Reference image context from search candidates: Reference image 1: visual subject "`# Upload the required packages library(xlsx);library(zoo);library(quantmod);library(rowr);library(TTR); # Set the parameters here pc_up_level = 6 # Set the high percentage thresh" source context "Quantinsti-博客中文翻译-六- - 绝不原创的飞龙" Reference image 2: visual subject "`# Upload the required packages library(xlsx
openai.com如果你想喺自己嘅 交易訊號列表（signal trigger list） 裡面加一欄財報資訊，例如：
- 未公布：顯示
5‑12 盤前 / 盤後
- 已公布：顯示
高於預期 / 低於預期
其實只要接入一個 earnings calendar + earnings surprise API 就可以做到。以下幾個接口對量化或自動化系統比較實用。
1️⃣ OpenBB：最容易整合 Python 量化系統
如果你的策略程式是 Python，OpenBB 通常是最順手的入口。
OpenBB 提供：
obb.equity.calendar.earnings() 查詢財報日曆- 支援歷史與未來 earnings events
- 返回 EPS 與 revenue 數據
官方示例：
from openbb import obb
obb.equity.calendar.earnings()
obb.equity.calendar.earnings(
start_date="2024-02-01",
end_date="2024-02-07"
)
這個 endpoint 可以取得：
- 公司 symbol
- 財報日期
- EPS / revenue 數據
適合用來做 財報日曆主資料源。
另外 OpenBB 其實可以指定不同 provider（例如 fmp、nasdaq 等），所以底層數據源可以切換。
人們還問
「整合美股財報日曆到交易訊號系統：有哪些開源 API 可用？」的簡短答案是什麼？
OpenBB 的 equity.calendar.earnings API 可以查歷史與未來財報日曆，並包含 EPS 與 revenue 數據，適合 Python 量化系統直接整合。[1]
首先要驗證的關鍵點是什麼？
OpenBB 的 equity.calendar.earnings API 可以查歷史與未來財報日曆，並包含 EPS 與 revenue 數據，適合 Python 量化系統直接整合。[1] AInvest 的 earnings calendar 會返回 eps actual、eps forecast、eps surprise 等欄位，可直接用來判斷財報高於或低於預期。[2]
接下來在實務上我該做什麼？
Bigdata 的 Earnings Surprises API 提供 reporting date、eps actual、eps estimated 等數據，適合做財報發布後的 surprise 檢查。[4]
2️⃣ AInvest：最直接做 Beat / Miss 判斷
AInvest 的 earnings calendar API 返回的欄位非常直接：
eps_actualeps_forecasteps_surpriserevenue_actualrevenue_forecast
{
"ticker": "AAPL",
"eps_actual": 1.46,
"eps_forecast": 1.40,
"eps_surprise": 0.06
}
actual > forecast → Beat
actual < forecast → Miss
actual = forecast → Inline
所以如果你的系統只需要 beat / miss 判斷，這個接口很方便。
3️⃣ Bigdata：專門查 Earnings Surprise
Bigdata API 提供一個 earnings surprises endpoint，會返回：
reporting_dateeps_actualeps_estimatedrevenue_actualrevenue_estimated
{
"reporting_date": "2025-07-23",
"eps_actual": 2.31,
"eps_estimated": 2.15
}
即係判斷市場預期同實際結果嘅差距。
4️⃣ 其他可以考慮的 API
如果你想多幾個資料源做 backup，可以留意以下幾個：
- 提供 earnings calendar
- 可以查歷史財報與未來財報日期
- 支援按 ticker 或日期查詢。
提供比較完整的 earnings pipeline：
- upcoming earnings calendar
- 單股票 earnings date lookup
- earnings snapshot
- EPS history
比較適合做更完整的基本面資料流。
可以設計一個統一欄位結構
如果要整合到 signal list，其實可以做一個標準 schema，例如：
ticker
signal_time
earnings_status
earnings_date
earnings_session
eps_actual
eps_estimate
surprise_result
def classify_earnings(row):
if row["eps_actual"] is None:
return f"{row['earnings_date']} 待發布"
if row["eps_actual"] > row["eps_estimate"]:
return "高於預期"
elif row["eps_actual"] < row["eps_estimate"]:
return "低於預期"
else:
return "符合預期"
一個比較實際的整合方案
第二層：Earnings Result / Surprise
- 用 AInvest 或 Bigdata 查 actual vs estimate
3️⃣ 如果已發布 → 計算 beat / miss
一個需要注意的點：盤前 / 盤後
- 每個 API 先抽樣 20–50 個 ticker
- 檢查字段例如
report_time
session
release_time
bmo / amc
- OpenBB：拿 earnings calendar
- AInvest 或 Bigdata：做 beat / miss 判斷
如果你想，我也可以幫你整理一個 完整 Python pipeline（signal list + earnings API + beat/miss column），直接可以放入量化策略裡跑。
2️⃣ AInvest：最直接做 Beat / Miss 判斷
AInvest 的 earnings calendar API 返回的欄位非常直接：
eps_actualeps_forecasteps_surpriserevenue_actualrevenue_forecast
{
"ticker": "AAPL",
"eps_actual": 1.46,
"eps_forecast": 1.40,
"eps_surprise": 0.06
}
actual > forecast → Beat
actual < forecast → Miss
actual = forecast → Inline
所以如果你的系統只需要 beat / miss 判斷，這個接口很方便。
3️⃣ Bigdata：專門查 Earnings Surprise
Bigdata API 提供一個 earnings surprises endpoint，會返回：
reporting_dateeps_actualeps_estimatedrevenue_actualrevenue_estimated
{
"reporting_date": "2025-07-23",
"eps_actual": 2.31,
"eps_estimated": 2.15
}
即係判斷市場預期同實際結果嘅差距。
4️⃣ 其他可以考慮的 API
如果你想多幾個資料源做 backup，可以留意以下幾個：
- 提供 earnings calendar
- 可以查歷史財報與未來財報日期
- 支援按 ticker 或日期查詢。
提供比較完整的 earnings pipeline：
- upcoming earnings calendar
- 單股票 earnings date lookup
- earnings snapshot
- EPS history
比較適合做更完整的基本面資料流。
可以設計一個統一欄位結構
如果要整合到 signal list，其實可以做一個標準 schema，例如：
ticker
signal_time
earnings_status
earnings_date
earnings_session
eps_actual
eps_estimate
surprise_result
def classify_earnings(row):
if row["eps_actual"] is None:
return f"{row['earnings_date']} 待發布"
if row["eps_actual"] > row["eps_estimate"]:
return "高於預期"
elif row["eps_actual"] < row["eps_estimate"]:
return "低於預期"
else:
return "符合預期"
一個比較實際的整合方案
第二層：Earnings Result / Surprise
- 用 AInvest 或 Bigdata 查 actual vs estimate
3️⃣ 如果已發布 → 計算 beat / miss
一個需要注意的點：盤前 / 盤後
- 每個 API 先抽樣 20–50 個 ticker
- 檢查字段例如
report_time
session
release_time
bmo / amc
- OpenBB：拿 earnings calendar
- AInvest 或 Bigdata：做 beat / miss 判斷
如果你想，我也可以幫你整理一個 完整 Python pipeline（signal list + earnings API + beat/miss column），直接可以放入量化策略裡跑。
