一、课程导论：什么是市场情绪？为什么AI能驱动情绪分析？系统整体架构概览

1.1 市场情绪——那个让你又爱又恨的东西

先聊个我自己的经历。几年前我做CTA策略，回测曲线漂亮得不行，年化30%+，最大回撤不到5%。我兴冲冲上了实盘，结果头一个月就亏了8%。

后来复盘发现，问题出在哪？

我用的全是价格和成交量数据。但市场当时正在经历一次「恐慌性抛售」，所有技术指标都失效了。说白了，市场被情绪主导了，而不是逻辑。

市场情绪是什么？

我的定义很简单：市场情绪是参与者集体心理状态的量化映射。

它反映的是——

• 贪婪还是恐惧？
• 乐观还是悲观？
• 追涨还是杀跌？

你想想看，每次你看到「比特币突破10万美元」这种新闻时，心里是什么感觉？是不是有种「不上车就晚了」的冲动？

嗯，那就是情绪在起作用。

1.2 传统情绪分析的痛点——我踩过的坑

我刚入行那会儿，也试过用传统方法做情绪分析。结果呢？

方法一：问卷调查

每周发问卷给交易员，问「你对下周市场怎么看？」。问题是——

• 样本量太小，几十个人能代表整个市场？
• 回答有偏差，谁愿意承认自己恐慌？
• 时效性差，问卷发出去到回收，市场已经变了两轮

方法二：VIX指数

VIX被称为「恐慌指数」，但它有个致命缺陷——它只反映期权市场的预期波动，而且有滞后性。等VIX飙升的时候，往往已经跌完了。

方法三：技术指标

RSI、MACD这些，说白了都是价格和成交量的衍生品。它们能反映情绪吗？能，但很间接。就像通过看一个人的影子来判断他的表情——不靠谱。

1.3 为什么AI能驱动情绪分析？

好，问题来了——传统方法搞不定，AI凭什么能？

我给你三个理由：

1. 处理非结构化数据的能力

   市场情绪藏在哪儿？藏在新闻标题里、藏在推特帖子中、藏在财报电话会议的措辞里。这些全是文本、语音、图像——传统量化模型根本处理不了。

   但AI可以。NLP模型能把「美联储意外加息50个基点」这句话，转化成一组数值向量，告诉你这句话是利好还是利空，程度有多强。

2. 捕捉非线性关系

   情绪和市场走势之间的关系，不是线性的。举个例子：

   「轻微恐慌」可能只是回调5%

   「中度恐慌」可能引发10%的下跌

   「极度恐慌」反而可能是底部信号，随后反弹20%

   这种复杂的映射关系，传统线性模型搞不定。但深度学习模型（比如LSTM、Transformer）可以。

3. 实时性与规模化

   AI模型可以24小时不间断地扫描全球新闻、社交媒体、论坛帖子。每秒处理上万条信息。你手动看？一天看100条就累死了。

1.4 系统整体架构——一张图说清楚

下面这张图，是我做这套系统时的核心架构。你看一眼就能明白：

这个架构分四层，每一层都有它的作用：

层级	核心任务	我踩过的坑
数据采集层	从多个渠道获取原始数据	曾经只接了一个新闻源，结果模型学到的全是那家媒体的偏见。后来我强制要求至少接入5个不同来源。
数据处理层	清洗、标准化、特征提取	中文分词是个大坑。「涨停板」和「跌停板」就差一个字，但情绪完全相反。我后来专门做了金融领域的分词词典。
AI模型层	训练情绪识别模型	一开始直接用通用BERT，效果很差。后来换成FinBERT（在金融语料上预训练的），准确率提升了15%。
输出与应用层	生成可执行的交易信号	情绪指数不能直接用。我加了一层「情绪-价格映射」模块，把情绪分数转换成具体的买卖信号。

1.5 这套系统能做什么？

我直接给你看几个实际场景：

• 场景一：某公司财报发布后，AI在30秒内扫描了200篇相关新闻和5000条社交媒体评论，给出「市场情绪偏负面，但程度较轻」的判断。你据此决定暂不加仓。
• 场景二：某加密货币在24小时内情绪指数从「中性」骤降到「极度恐慌」。AI发出预警，你提前减仓。第二天，该币种暴跌30%。
• 场景三：回测显示，当情绪指数与价格走势出现「背离」时（比如价格涨但情绪跌），后续反转概率高达72%。你把这个信号加入策略，年化收益提升了8%。

1.6 你需要什么基础？

嗯，这个问题很多人问。我直接说：

• 编程：会Python基础就行。pandas、numpy这些，我会带着你写。
• 机器学习：了解基本概念（分类、回归、过拟合）就够了。深度学习部分我会从零讲。
• 金融知识：不需要很深。知道什么是股票、什么是K线就行。

说白了，只要你愿意动手写代码，这套系统你一定能搭出来。

---

公众号:蓝海资料掘金营，微信deep3321