今天是第二十天！昨天我們幫機器人裝上了 SQLite 資料庫快取機制，大幅提升了查詢速度，讓 Telegram 回覆變得秒傳秒回！

不過在台股市場裡，除了技術面、籌碼面與基本面之外，還有一個對短期股價波動極具影響力的因素——「消息面」！當個股突然出現法說會利多、擴廠消息、或是產品遭客戶砍單等新聞時，股價往往會隨之劇烈波動。如果機器人在提供技術與籌碼分析的同時，還能順便幫我們整理當天的「最新重大新聞與利多利空評價」，看盤就會更加全面！

今天我們的目標，就是在我們的專案架構中，加入「個股新聞爬蟲與關鍵字情緒分析」模組，讓我們的 Telegram 機器人邁向「技術 + 籌碼 + 基本 + 消息」更加全面的看盤神器！

步驟一：先釐清邏輯
新聞爬蟲與情緒分析的運作邏輯非常直覺：

抓取個股最新新聞（news.py）：利用 BeautifulSoup 或 yfinance 的新聞 API 抓取個股最新 3~5 則相關新聞標題與連結。

關鍵字情緒比對（Sentiment Scoring）：

• 利多關鍵字：如「創新高、大增、擴廠、轉盈、接單、看好、買超、漲停」等。
• 利空關鍵字：如「創新低、大跌、虧損、砍單、裁員、看淡、賣超、跌停」等。
• 計算情緒分數與評語：計算新聞標題中利多與利空關鍵字的數量，得出當前消息面偏向「利多派」、「利空派」或「中性平穩」。
• 整合至 Telegram 報告（bot.py）：將新聞標題與消息面情緒總評排版至報告中，並提供新聞連結方便點閱！

接下來，知道邏輯後，我們就可以來撰寫程式碼了！
步驟二：完整實作程式碼
我們新建一個 news.py 專門處理新聞爬蟲與情緒分析，並整合至 fetcher.py 與 bot.py。
1.news.py

import yfinance as yf

# 利多與利空關鍵字字典
BULLISH_KEYWORDS = ["創新高", "大增", "擴廠", "轉盈", "接單", "看好", "買超", "漲停", "成長", "優於預期"]
BEARISH_KEYWORDS = ["創新低", "大跌", "虧損", "砍單", "裁員", "看淡", "賣超", "跌停", "衰退", "低於預期"]

def fetch_stock_news(symbol, max_news=3):
    print(f"[INFO] 正在爬取 {symbol} 的即時個股新聞...")
    ticker = yf.Ticker(symbol)
    
    # 取得 yfinance 提供的新聞資料
    raw_news = ticker.news
    news_list = []

    if not raw_news:
        return news_list, "中性平穩", 0, 0

    bullish_count = 0
    bearish_count = 0

    for item in raw_news[:max_news]:
        # yfinance 新聞結構維護
        content = item.get('content', {}) if isinstance(item.get('content'), dict) else item
        title = content.get('title', item.get('title', '無標題'))
        link = content.get('clickThroughUrl', {}).get('url') if isinstance(content.get('clickThroughUrl'), dict) else item.get('link', '')

        # 簡單情緒比對
        for kw in BULLISH_KEYWORDS:
            if kw in title:
                bullish_count += 1
        for kw in BEARISH_KEYWORDS:
            if kw in title:
                bearish_count += 1

        news_list.append({
            "title": title,
            "link": link
        })

    # 判斷整體消息面情緒
    if bullish_count > bearish_count:
        sentiment = "消息面偏多"
    elif bearish_count > bullish_count:
        sentiment = "消息面偏空"
    else:
        sentiment = "消息面中性"

    return news_list, sentiment, bullish_count, bearish_count

2. fetcher.py
   將新聞資料納入資料抓取流程中：

import pandas as pd
import pandas_ta as ta
import yfinance as yf
from database import get_cached_data, save_cache_data
from news import fetch_stock_news

def get_stock_data(symbol):
    formatted_symbol = symbol.strip().upper()
    if not formatted_symbol.endswith('.TW') and not formatted_symbol.endswith('.TWO'):
        formatted_symbol += '.TW'

    print(f"[INFO] 正在取得數據: {formatted_symbol}...")

    # 1. 抓取股價歷史數據
    ticker = yf.Ticker(formatted_symbol)
    df = ticker.history(period="6mo")

    if df.empty and formatted_symbol.endswith('.TW'):
        alt_symbol = formatted_symbol.replace('.TW', '.TWO')
        ticker = yf.Ticker(alt_symbol)
        df = ticker.history(period="6mo")
        if not df.empty:
            formatted_symbol = alt_symbol

    if df.empty:
        return None, None, None, None, None

    if isinstance(df.columns, pd.MultiIndex):
        df.columns = df.columns.get_level_values(0)

    # 技術指標計算
    df['MA5'] = df['Close'].rolling(window=5).mean()
    df['MA20'] = df['Close'].rolling(window=20).mean()
    df['RSI'] = df.ta.rsi(length=14)

    macd_df = df.ta.macd(fast=12, slow=26, signal=9)
    df['MACD'] = macd_df['MACD_12_26_9']
    df['MACD_signal'] = macd_df['MACDs_12_26_9']
    df['MACD_hist'] = macd_df['MACDh_12_26_9']
    df['Vol_MA5'] = df['Volume'].rolling(window=5).mean()

    latest_date = df.index[-1].strftime('%Y-%m-%d')

    # 2. 檢查 SQLite 快取
    cached_chip, cached_rev = get_cached_data(formatted_symbol, latest_date)

    if not (cached_chip and cached_rev):
        chip_data = {
            "foreign": 1250,
            "investment": 800,
            "dealer": -150
        }
        chip_data["total"] = chip_data["foreign"] + chip_data["investment"] + chip_data["dealer"]

        revenue_data = {
            "month": "2026-09",
            "revenue": 75000000,
            "mom": 8.5,
            "yoy": 32.4
        }
        save_cache_data(formatted_symbol, latest_date, chip_data, revenue_data)
    else:
        chip_data, revenue_data = cached_chip, cached_rev

    # 3. 抓取最新個股新聞與情緒分析
    news_list, sentiment, bull_cnt, bear_cnt = fetch_stock_news(formatted_symbol)
    news_data = {
        "list": news_list,
        "sentiment": sentiment,
        "bullish": bull_cnt,
        "bearish": bear_cnt
    }

    return formatted_symbol, df, chip_data, revenue_data, news_data

3. bot.py
   呈現消息面新聞排版：

def generate_report_text(symbol, df, chip_data=None, revenue_data=None, news_data=None):
    latest = df.iloc[-1]
    prev = df.iloc[-2]

    rsi_val = latest['RSI']
    latest_vol = latest['Volume']
    vol_ma5_val = latest['Vol_MA5']

    caption = f"【{symbol} 盤後四維度全方位分析報告】\n"
    caption += f"日期：{df.index[-1].strftime('%Y-%m-%d')}\n"
    caption += f"收盤價：{latest['Close']:.2f}\n"
    caption += f"5MA: {latest['MA5']:.2f} | 20MA: {latest['MA20']:.2f}\n"
    caption += f"RSI(14)：{rsi_val:.1f}\n"

    # 籌碼面區塊
    if chip_data:
        caption += f"-----------------------------------\n"
        caption += f"【三大法人籌碼動向】(單位: 張)\n"
        caption += f"外資：{chip_data['foreign']:+d} | 投信：{chip_data['investment']:+d}\n"
        caption += f"法人合計：{chip_data['total']:+d}\n"

    # 基本面營收區塊
    if revenue_data:
        caption += f"-----------------------------------\n"
        caption += f"【最新月營收報告】({revenue_data['month']})\n"
        caption += f"單月營收：{revenue_data['revenue'] / 100000:.2f} 億元 | YoY：{revenue_data['yoy']:+.1f}%\n"

    # 消息面新聞區塊
    if news_data and news_data["list"]:
        caption += f"-----------------------------------\n"
        caption += f"【即時消息面分析】({news_data['sentiment']})\n"
        for idx, item in enumerate(news_data["list"], 1):
            caption += f"{idx}. {item['title']}\n"

    caption += f"-----------------------------------\n"

    signals = []

    # 消息面訊號
    if news_data:
        if news_data["sentiment"] == "消息面偏多":
            signals.append("[消息面] 近期媒體新聞多提及利多關鍵字，關注市場熱度！")
        elif news_data["sentiment"] == "消息面偏空":
            signals.append("[消息面] 近期新聞出現較多利空關鍵字，留意短線避險情緒！")

    # 基本面訊號
    if revenue_data and revenue_data['yoy'] >= 30:
        signals.append("[基本面] 月營收年增率 (YoY) 突破 30%，營收強勁成長！")

    # 籌碼面訊號
    if chip_data and chip_data['foreign'] > 0 and chip_data['investment'] > 0:
        signals.append("[籌碼] 外資與投信同買，法人作多力道強勁！")

    # 技術面訊號
    if prev['MA5'] <= prev['MA20'] and latest['MA5'] > latest['MA20']:
        signals.append("[MA] 5MA 向上突破 20MA（黃金交叉）")

    if not signals:
        caption += "評語：技術、籌碼、基本與消息面處於平穩狀態，建議持續觀察。"
    else:
        caption += "關鍵訊號彙整：\n" + "\n".join(signals)

    return caption

解釋一下程式碼吧！
關鍵字匹配演算法（Keyword Matching）：
我們設定了常用的台股新聞利多與利空關鍵字，自動掃描標題文字並計算比例。這種做法雖然簡單，但在新聞題材熱絡時能非常迅速地對市場風向做出大致分類！

技術 + 籌碼 + 基本 + 消息 整合：
報告內容現在涵蓋了四大看盤面向，讓你的 Telegram 看盤報告不再只是一堆枯燥的數字，而是像一份由專業研究員產出的綜合日報。
步驟三：執行與測試
在終端機內輸入:

python main.py

小結一下：
消息面適合用來輔助觀察市場情緒，但仍建議搭配籌碼與技術面一起交叉印證，避免追高受傷。
今天我們成功導入了新聞爬蟲與關鍵字情緒分析，完成了「技術面 + 籌碼面 + 基本面 + 消息面」機器人的最後一塊拼圖！