第4章社交媒体与舆情分析

第四章：社交媒体与舆情分析

做量化交易这些年，我越来越觉得，市场不只是数字的游戏。它背后是人，是情绪，是群体心理。你想想看，一条推文能让一支股票涨20%，一个论坛帖子能引发一波轧空行情。这不是偶然，这是信息优势的体现。

我个人习惯把社交媒体舆情看作市场的「情绪温度计」。它不直接告诉你价格会涨会跌，但它能告诉你市场现在有多热、有多冷。今天我们就来聊聊怎么用好这个温度计。

4.1 Twitter/微博的情绪指标

先说Twitter和微博。这两个平台的特点是快，非常快。消息从发出到传播，可能只需要几分钟。我曾在项目中遇到过这样的情况：某公司财报还没正式发布，Twitter上已经有分析师在讨论关键数据了。等官方消息出来，股价已经反应完了。

怎么量化这种情绪？核心思路是三个维度：

情感极性：正面、负面、中性。用NLP模型对每条推文打分。
讨论热度：特定关键词的推文数量、转发量、点赞量。
意见领袖权重：大V的推文权重应该更高。我一般会给粉丝数超过10万的账号额外加权。

举个实际例子。假设我们要监测特斯拉的舆情，可以这样构建情绪指标：

# 伪代码示例：Twitter情绪得分计算
def twitter_sentiment_score(tweets):
    total_score = 0
    for tweet in tweets:
        # 情感分析得分，范围[-1, 1]
        sentiment = analyze_sentiment(tweet.text)
        # 影响力权重
        influence_weight = log(tweet.followers_count + 1)
        # 互动权重
        engagement_weight = (tweet.retweets + tweet.likes) / 1000
        total_score += sentiment * influence_weight * (1 + engagement_weight)
    return total_score / len(tweets)

我的经验：别只看情感极性。有时候大量中性推文反而更有价值——说明市场在消化信息，分歧在加大。这时候往往意味着变盘在即。

4.2 Reddit/WallStreetBets的舆情监测

说到Reddit，尤其是WallStreetBets，我得说这是个神奇的地方。2021年的GameStop事件让全世界都看到了散户的力量。但说实话，真正有价值的不只是那些「火箭emoji」和「钻石手」的口号。

我监测WSB舆情时，重点关注三个东西：

帖子标题的关键词频率：哪些股票被反复提及？频率突然飙升的，往往有故事。
评论区的情绪一致性：如果大部分评论都在看多，但价格没动，这可能是个反向指标。
「YOLO」和「DD」标签的比例：YOLO多说明情绪化交易盛行，DD多说明有人在认真分析。

避坑指南：我曾经以为WSB的讨论热度直接对应股价上涨。结果有一次，某支股票在WSB上被疯狂讨论，我追了进去，第二天就被套了。后来复盘发现，那波讨论其实是空头在制造恐慌情绪。记住：舆情数据需要结合价格行为一起看，不能单用。

具体怎么抓数据？Reddit有官方API，但限制比较多。我一般用Pushshift.io的存档数据做历史分析，再用PRAW库实时抓取新帖子。微博的话，可以用爬虫，但要注意频率限制。

# 用PRAW抓取WSB热门帖子
import praw

reddit = praw.Reddit(
    client_id="你的ID",
    client_secret="你的密钥",
    user_agent="舆情监控/1.0"
)

wsb = reddit.subreddit("wallstreetbets")
for post in wsb.hot(limit=50):
    print(f"标题: {post.title}")
    print(f"得分: {post.score}")
    print(f"评论数: {post.num_comments}")
    print("---")

4.3 利用Google Trends发现趋势

Google Trends是个被很多人低估的工具。它不直接告诉你交易信号，但它能告诉你「大众注意力」的流向。我个人的习惯是，每周一看Trends，看看哪些关键词的搜索量在异常上升。

为什么会这样？因为人的行为模式是：先搜索，再行动。当某个股票或概念的搜索量突然飙升，说明有大量新玩家在关注它。这些新玩家带来的资金，往往会推动短期价格波动。

我常用的几个监测维度：

关键词类型	示例	信号含义
股票代码	TSLA, GME	直接交易兴趣上升
行业概念	元宇宙, 量子计算	板块轮动可能开始
事件关键词	美联储加息, 财报	市场关注度集中
恐慌词	股市崩盘, 经济衰退	情绪极端化，可能见底

核心逻辑：Google Trends的搜索量变化，往往比价格变化领先1-3天。尤其是那些平时没人搜、突然暴增的关键词，值得重点关注。

用Python调Google Trends数据也很简单：

from pytrends.request import TrendReq

pytrends = TrendReq(hl='zh-CN', tz=360)
pytrends.build_payload(
    kw_list=['比特币', '以太坊'],
    timeframe='today 3-m'
)
data = pytrends.interest_over_time()
print(data.tail())

嗯，这里要注意一点：Google Trends的数据是相对值，不是绝对值。它显示的是搜索热度相对于峰值的比例。所以别盯着数字本身，要看变化趋势。

最后，我把这三个数据源整合起来，形成一个简单的舆情监控框架。下面这张图是我自己用的结构：

说白了，这套框架的核心就是：把不同来源的噪音数据，转化成有意义的信号。Twitter告诉你情绪方向，Reddit告诉你情绪强度，Google Trends告诉你情绪是否在扩散。三者结合，你就能比大多数人早一步看到市场的「情绪拐点」。

我自己的经验是，这套方法在事件驱动型交易中特别有效。比如财报季、政策发布、产品发布会这些节点，舆情数据往往能提前给出信号。当然，它也不是万能的——遇到黑天鹅事件，所有模型都会失效。但话说回来，哪个模型能预测黑天鹅呢？

📚 课程目录

第四章：社交媒体与舆情分析

4.1 Twitter/微博的情绪指标

4.2 Reddit/WallStreetBets的舆情监测

4.3 利用Google Trends发现趋势