01
情绪指数导论
什么是社交媒体情绪指数？为什么它重要？核心应用场景概览。
概念全景
02
数据源选择与API接入
主流社交媒体平台（Twitter/X, Reddit, StockTwits）API对比与接入实战。
API数据源
03
数据采集架构设计
构建高并发、可扩展的实时数据爬虫与流式处理管道。
爬虫流式
04
数据清洗与预处理
文本去噪、去重、标准化、处理表情符号与特殊字符。
清洗正则
05
文本分词技术
基于规则的分词、统计分词（Jieba, NLTK, SpaCy）在英文与中文场景下的应用。
NLP分词
06
情感词典构建
通用情感词典（VADER, TextBlob）与领域自定义词典的构建方法。
词典VADER
07
基于规则的情感分析
利用词典与语法规则计算单条文本的情感得分。
规则得分
08
机器学习情感分类
使用朴素贝叶斯、逻辑回归、SVM进行情感二分类与多分类。
ML分类
09
深度学习情感模型
LSTM、GRU、Transformer（BERT）在情感分析中的实战对比。
DLBERT
10
情绪聚合方法论
如何将海量单条情绪聚合为日/周/小时级别的指数？加权与等权方法。
聚合指数
11
指数标准化与归一化
Z-score、Min-Max、百分位排名法在指数编制中的应用。
标准化归一化
12
情绪指数与资产价格的相关性分析
Pearson/Spearman相关系数、滞后相关性分析。
相关性统计
13
情绪指数的领先/滞后效应
Granger因果检验与交叉相关函数（CCF）实战。
因果CCF
14
情绪因子在量化策略中的应用
构建基于情绪信号的多空策略与择时模型。
量化策略
15
情绪指数与宏观经济指标联动
将情绪指数与CPI、PMI、失业率等宏观指标进行对比分析。
宏观经济
16
事件驱动型情绪分析
重大新闻（财报、政策、黑天鹅）前后的情绪突变检测。
事件突变
17
情绪指数的回测框架
使用Backtrader或Zipline对情绪策略进行历史回测。
回测Backtrader
18
情绪指数的风险管理
利用情绪指数构建波动率预测模型与尾部风险预警。
风险波动率
19
多市场情绪指数编制
跨市场（股票、加密货币、外汇）情绪指数的统一框架。
跨市场统一
20
情绪指数的可视化
使用Matplotlib、Plotly、Dash构建实时情绪仪表盘。
可视化Dash
21
情绪指数的API服务化
使用Flask/FastAPI将情绪指数封装为RESTful API。
APIFlask
22
情绪指数的异常检测
使用Isolation Forest、LOF检测情绪指数的极端异常点。
异常LOF
23
情绪指数的主题建模
结合LDA或BERTopic，分析情绪背后的热点话题。
主题LDA
24
情绪指数的网络舆情监控
构建针对特定公司或产品的实时舆情预警系统。
舆情预警
25
情绪指数的公平性与偏差
分析数据源偏差、算法偏差对指数的影响及矫正方法。
偏差公平
26
情绪指数的合规与伦理
数据隐私、用户同意、算法透明度与监管要求。
合规伦理
27
情绪指数在ESG投资中的应用
将公众情绪作为ESG评分中的社会维度因子。
ESG因子
28
情绪指数的前沿研究
多模态情绪分析（文本+图像+语音）、大语言模型（LLM）的应用。
多模态LLM
29
情绪指数产品化与商业化
从研究到产品，指数授权、SaaS服务与数据变现模式。
商业化SaaS
30
综合实战项目
从零搭建一个完整的社交媒体情绪指数系统，涵盖数据采集到策略应用。
实战全栈