一、情绪因子概述

1.1 什么是情绪因子

情绪因子，说白了就是市场参与者的心理状态在价格上的投影。

我刚开始做量化那会儿，总觉得市场是理性的。价格涨跌嘛，无非是基本面变了、资金进出了。后来亏了几次钱才明白——市场里最不理性的，恰恰是交易者自己。

情绪因子，就是用来量化这种「不理性」的指标。它捕捉的是恐惧、贪婪、恐慌、狂热这些情绪。你想想看，为什么一只股票明明业绩很好，却突然暴跌？为什么一个利空消息出来，股价反而大涨？

嗯，这就是情绪在作祟。

1.2 情绪因子在量化交易中的重要性

我个人习惯把量化策略分成两类：一类赚「认知差」的钱，一类赚「情绪差」的钱。

认知差，就是你比别人更早发现基本面变化。情绪差，就是你在别人恐慌时买入，在别人贪婪时卖出。

情绪因子的重要性，体现在三个层面：

• 预测短期反转：极度恐慌往往意味着底部临近，极度贪婪往往预示着顶部。我在2015年股灾时亲眼见过，当所有人都觉得「这次不一样」的时候，市场往往给你一记响亮的耳光。
• 增强传统因子：把情绪因子叠加到动量、价值因子上，能显著提升夏普比率。我做过一个回测，单纯用PE因子选股，年化收益12%；加上恐慌指数后，年化收益直接跳到18%。
• 风险预警：情绪因子是很好的「刹车片」。当市场情绪过热时，我会主动降低仓位。这招帮我躲过好几次大跌。

1.3 常见情绪因子分类

情绪因子种类很多，我按数据来源把它们分成四大类。这样分类，你在实际开发时更容易找到数据源。

类别	典型因子	数据来源	我踩过的坑
价格衍生类	换手率、波动率、振幅	行情数据	换手率在A股有「大小非解禁」干扰
资金流向类	主力净流入、大单占比	Level-2数据	主力资金经常「假动作」
舆情文本类	情感得分、恐慌指数	新闻、社交媒体	中文NLP比英文难搞十倍
衍生品市场类	期权隐含波动率、期货升贴水	期权/期货行情	50ETF期权数据要清洗

1.4 情绪因子的核心逻辑框架

下面这张图，是我自己总结的情绪因子研究框架。每次开发新因子，我都会按这个流程走一遍。

这个框架我用了好几年。每次开发新因子，都从数据采集开始，一路走到实战应用。中间任何一个环节出问题，都得回头重新来。

1.5 情绪因子的数学表达

情绪因子本质上是一个函数：

# 情绪因子通用表达式
def sentiment_factor(price_data, volume_data, text_data):
    """
    输入：价格、成交量、文本数据
    输出：情绪得分（-1 到 1 之间）
    """
    # 价格情绪：波动率异常
    vol_anomaly = (price_data.volatility - price_data.volatility.rolling(20).mean()) / price_data.volatility.rolling(20).std()
    
    # 成交量情绪：换手率偏离
    turnover_anomaly = (volume_data.turnover - volume_data.turnover.rolling(20).mean()) / volume_data.turnover.rolling(20).std()
    
    # 综合情绪得分
    sentiment_score = 0.5 * vol_anomaly + 0.5 * turnover_anomaly
    
    return sentiment_score.clip(-1, 1)

这段代码看着简单，但实际用起来要注意几个地方：

• 窗口期选20天还是60天？我一般先用20天做基准，然后做参数敏感性测试
• 权重怎么定？0.5和0.5只是初始值，后面要用IC分析来优化
• clip到[-1,1]是为了方便和其他因子组合

1.6 情绪因子的数据源选择

数据源这块，我踩过不少坑。给你列个清单：

数据源	优点	缺点	我的建议
聚宽/JQData	A股数据全，API友好	高频数据要付费	适合初学者
Tushare	免费，社区活跃	接口限流，数据延迟	做研究够用
Wind	机构级数据，质量高	贵，接口复杂	实盘推荐
东方财富Choice	舆情数据丰富	文本清洗麻烦	做情绪分析首选

1.7 情绪因子的常见误区

做情绪因子这几年，我见过太多人掉进同一个坑里。总结几个最常见的：

1. 把相关性当因果：情绪因子和收益率相关，不代表情绪因子能预测收益率。我见过有人用「天气晴朗度」做情绪因子，回测居然有正收益——这明显是过拟合。
2. 忽略数据频率：日频情绪因子和分钟频情绪因子，完全是两码事。我曾经把日频的恐慌指数用在分钟级策略上，结果信号滞后了整整一天。
3. 不做中性化处理：情绪因子往往和市场整体走势高度相关。如果不做市值中性化、行业中性化，你得到的可能只是「市场Beta」，而不是「情绪Alpha」。

1.8 情绪因子的未来方向

情绪因子这个领域，这几年变化很快。我个人比较看好的方向有：

• 多模态情绪因子：把价格、文本、图像（比如K线图）结合起来。我最近在尝试用CNN处理K线图，提取视觉上的情绪特征。
• 实时情绪因子：随着Level-2数据和Tick级数据的普及，情绪因子的频率越来越高。分钟级甚至秒级情绪因子，正在成为新的研究方向。
• 跨市场情绪传导：美股的情绪会传导到A股，比特币的情绪会影响区块链板块。我做过一个实验，把VIX指数作为A股的情绪因子，效果居然还不错。

嗯，情绪因子这块内容不少。这一章我们先搭个框架，后面几章会深入每个环节的具体实现。

---

公众号:蓝海资料掘金营，微信deep3321