為什麼有用？

• 金融資訊量大，投資/風控人員需快速抓重點。
• 生成式 AI（summary / Q&A / drafting）很棒，但入門門檻高；先用「提取式摘要＋簡單情緒分析」就能達到類似輔助決策的效果。
• 完整流程：把新聞 / 財報文字 → 自動產出重點句（摘要）→ 判斷情緒（正/中/負）→ 產出簡短結論，可自動發報告或觸發警示。

做法概念

1. 提取式摘要：把文章切成句子，根據詞頻給每句分數，選出前 N 句做為摘要（不會自己「生成」新句，不會亂說話）。
2. 情緒偵測（Rule-based）：用一個小的正/負字典計分，算出情緒傾向（正/中/負）。

下面是完全離線、只要 Python 標準庫＋matplotlib/pandas（選用）就能跑的範例程式碼。

Python 範例

import re
from collections import Counter

# 範例文章（可替換成新聞全文）
text = """
台灣晶片大廠於昨日公布財報，營收與淨利均優於市場預期。公司表示，受惠於 AI 加速需求，製程良率改善帶動毛利率提升。管理層同時警告，全球供應鏈仍有不確定性，但短期訂單能見度良好。
市場反應正向，股價盤中上漲逾 6%。
"""

# --- 1) 簡單句子切割 ---
def split_sentences(text):
    sentences = re.split(r'(?<=[。！？\?])\s*', text.strip())
    return [s for s in sentences if s]

# --- 2) 字詞頻率計算（非常基礎） ---
STOPWORDS = set([
    '的','了','與','和','在','是','有','也','與','就','但','而','其','能','短期'
])  # 可擴充

def tokenize_words(s):
    words = re.findall(r'\w+|[一-龥]+', s)  # 英文或中文詞塊（簡單版）
    return [w.lower() for w in words if w.lower() not in STOPWORDS and len(w) > 1]

def sentence_score(sent, freq):
    words = tokenize_words(sent)
    if not words:
        return 0
    return sum(freq.get(w,0) for w in words) / len(words)

# --- 3) 建摘要（取 top_n 句，保持原順序） ---
def extractive_summary(text, top_n=2):
    sents = split_sentences(text)
    words = []
    for s in sents:
        words += tokenize_words(s)
    freq = Counter(words)
    scores = [(i, s, sentence_score(s, freq)) for i, s in enumerate(sents)]
    top = sorted(scores, key=lambda x: x[2], reverse=True)[:top_n]
    top_idx = sorted([t[0] for t in top])
    summary = ' '.join(sents[i] for i in top_idx)
    return summary

# --- 4) 簡單情緒判斷（金融詞典示意） ---
POS = {"優於","提升","上漲","利多","成長","改善","利好","增加"}
NEG = {"不確定","下滑","下跌","虧損","警告","減少","利空","擔憂"}

def sentiment_score(text):
    t = text.lower()
    pos_count = sum(t.count(w) for w in POS)
    neg_count = sum(t.count(w) for w in NEG)
    score = pos_count - neg_count
    if score > 0:
        return "正向", score
    elif score < 0:
        return "負向", score
    else:
        return "中性", score

# --- 執行示例 ---
summary = extractive_summary(text, top_n=2)
sentiment, s = sentiment_score(text)
print("=== 摘要 ===")
print(summary)
print("\n=== 情緒判定 ===")
print(sentiment, "（分數：", s, ")")

執行結果說明

• 摘要：幫你把長文抽出 1–2 句重點（例如：財報優於預期、AI 需求推升毛利）。
• 情緒：把整篇標成「正向 / 中性 / 負向」，並給出簡單分數，方便你自動化篩選要人工深入閱讀的新聞。

延伸

• 若你想用真實的 LLM（生成式摘要、問答），可在有 API 時把上面 extractive 摘要作為「提示前處理」，再把重點句或全文交給 LLM 做「精簡撰寫」或「QA」，但要注意 LLM 有時會「憑空產生（hallucinate）」，尤其在財經事實上要特別小心驗證。
• 可把此流程接到「每日上午自動抓新聞 → 摘要＋情緒 → 寄報告」的自動化管線（結合 Day25 的自動報表）。