2. 市场情绪理论基础：行为金融学简介、群体心理与市场周期、情绪指标的量化逻辑
这一章，我们来聊聊市场情绪背后的理论根基。
很多人做量化，上来就撸代码、调参数。但我个人习惯，先搞清楚“为什么”。你想想看，如果连情绪是怎么影响价格的都不懂，那构建出来的指标大概率是瞎蒙。
2.1 行为金融学：市场为什么不是理性的？
传统金融学假设市场参与者都是理性的。但现实中呢？我见过太多人，明明知道追高会死，还是忍不住冲进去。这就是行为金融学要解释的东西。
行为金融学说白了，就是研究“人为什么会犯傻”的学问。它告诉我们几个核心现象：
- 过度自信：赚了钱觉得自己是股神，亏了钱怪市场。我在项目中遇到过，很多散户在牛市末期反而加仓最猛，就是因为过度自信。
- 损失厌恶：亏100块的痛苦，比赚100块的快乐强烈得多。这导致人们拿不住盈利的票，却死扛亏损的票。
- 羊群效应：看到别人买就跟着买，看到别人卖就跟着卖。嗯，这就是情绪传导的核心机制。
- 锚定效应：总喜欢拿当前价格和历史高点比。“都跌了50%了，该抄底了吧？”——结果地板下面还有地下室。
核心观点：市场不是由基本面驱动的，而是由“人对基本面的反应”驱动的。情绪，就是这种反应的量化体现。
2.2 群体心理与市场周期：情绪是如何演化的？
市场周期，本质上就是群体情绪的周期。我把它画成了一张图，你一看就明白。
这张图我做了很多次回测。你会发现，每次市场见顶，情绪都处于“狂热”阶段；每次见底，情绪都处于“绝望”阶段。这不是巧合，这是人性。
群体心理有几个关键特征：
- 情绪传染：一个人的恐慌会传染给一群人。社交媒体时代，这种传染速度被放大了10倍。
- 集体盲从：当所有人都说牛市来了，你很难保持冷静。我曾经在2015年股灾前，看到身边从不炒股的朋友都开始推荐股票——嗯，那就是最危险的信号。
- 记忆偏差：人们总是忘记过去的痛苦。每次牛市都号称“这次不一样”，但每次结局都一样。
我的经验：判断市场顶部，看身边人谈论股票的热情程度就够了。判断市场底部，看媒体上还有没有人骂股市。这虽然不精确，但方向从来没错过。
2.3 情绪指标的量化逻辑：从感觉变成数字
好了，理论说完了。现在的问题是：怎么把“感觉”变成“数字”？
情绪指标的量化逻辑，核心就一句话：找到能反映群体行为的代理变量。
常见的量化思路有几种：
| 量化维度 | 代理变量 | 逻辑解释 |
|---|---|---|
| 交易行为 | 成交量、换手率 | 情绪高涨时交易活跃，恐慌时交易萎缩 |
| 价格波动 | 涨跌比、振幅 | 极端情绪往往伴随剧烈波动 |
| 资金流向 | 融资余额、北向资金 | 聪明钱和杠杆资金的情绪风向标 |
| 舆论情绪 | 新闻情感分析、社交媒体热度 | 直接反映大众心理状态 |
| 衍生品市场 | 期权隐含波动率、期货升贴水 | 专业投资者的情绪预期 |
我个人最常用的是多维度综合打分。单一指标容易骗人，但多个指标同时指向同一个方向时，信号就可靠得多。
量化逻辑的核心公式：
情绪得分 = Σ(各指标标准化值 × 权重)
其中，标准化是为了让不同量纲的指标可以比较。权重则根据历史回测效果动态调整。
举个例子，构建一个简单的恐慌指数：
# 伪代码示例：恐慌指数计算逻辑
def calculate_fear_index(data):
# 1. 价格动量指标
price_momentum = (close - close_ma_20) / close_ma_20
# 2. 成交量异常指标
volume_ratio = volume / volume_ma_20
# 3. 涨跌比指标
advance_decline_ratio = advancers / decliners
# 4. 综合打分（标准化后加权）
fear_score = (
-0.3 * zscore(price_momentum) + # 跌得越狠，恐慌越高
0.2 * zscore(volume_ratio) + # 放量下跌，恐慌加剧
-0.3 * zscore(advance_decline_ratio) # 涨跌比越低，恐慌越高
)
return fear_score避坑指南：我曾经犯过一个错误——把所有指标等权相加。结果发现，当市场处于震荡市时，指标之间互相抵消，信号完全失效。后来我改用动态权重，根据市场状态调整各指标的贡献度，效果好了很多。
2.4 情绪指标的三大设计原则
做了这么多年量化，我总结出情绪指标设计的三个原则：
- 反身性：情绪指标本身会影响市场，市场又会反过来影响情绪。设计时要考虑这种循环反馈。
- 领先性：好的情绪指标应该领先于价格变化，而不是同步或滞后。比如期权隐含波动率就比现货价格有领先性。
- 稳定性：指标不能太敏感，否则全是噪音。也不能太迟钝，否则信号出来时行情已经走完了。
嗯，这里要注意：没有完美的指标。每个指标都有它的适用场景和局限性。关键是要理解它背后的逻辑，而不是盲目相信数字。
我的习惯：每次构建新指标，我都会先做“逻辑验证”——用历史数据画出来看看，是不是符合直觉。如果指标在极端行情下没有出现极端值，那说明逻辑有问题，需要重新审视。
好了，这一章的内容就到这里。情绪理论是基础，下一章我们会把这些理论变成实实在在的代码。记住：理解人性，比理解代码更重要。
公众号:蓝海资料掘金营，微信deep3321