一、情绪数据概述：市场里的“心电图”

大家好，我是老李。今天咱们聊聊情绪数据。

很多人做量化，盯着K线、成交量、MACD这些传统指标。但我个人习惯，会额外关注一个维度——市场情绪。说白了，就是市场里的人在“想什么”、“怕什么”、“贪什么”。

情绪数据，就是把这种看不见摸不着的“人心”，变成可以量化的数字。你想想看，价格波动背后，哪一次不是情绪的驱动？恐慌时砸盘，贪婪时追高，这就是情绪的力量。

1.1 什么是情绪数据？

情绪数据，也叫“市场情绪指标”或“舆情指标”。它反映的是市场参与者对某个资产、某个板块或整个市场的态度倾向——是乐观、悲观，还是中性？

举个例子：

• 正面情绪：大家觉得“牛市来了”、“这个币要起飞”
• 负面情绪：大家觉得“要崩盘了”、“赶紧跑”
• 中性情绪：没什么特别看法，观望中

嗯，这里要注意：情绪数据不是“算命”，它是基于大量文本、行为数据统计出来的概率分布。我刚开始接触时也犯过迷糊，以为情绪指数高就一定会涨。后来发现，情绪和价格的关系，远比想象中复杂。

1.2 情绪数据的三大来源

情绪数据从哪来？我归纳了三个主要渠道。每个渠道我都踩过坑，咱们一个一个说。

1.2.1 社交媒体

这是目前最主流的来源。Twitter、Reddit、微博、雪球、东方财富股吧……这些地方每天产生海量的讨论文本。

• Twitter/微博：实时性强，适合捕捉突发情绪
• Reddit/雪球：讨论深度高，适合分析板块情绪
• 股吧/论坛：散户情绪集中地，但噪音也大

我曾经做过一个项目，抓取某只股票在雪球上的帖子，用NLP模型分析情绪。结果发现，当负面情绪占比超过65%时，接下来3个交易日的下跌概率高达78%。当然，这个阈值因股票而异，需要自己调参。

1.2.2 新闻媒体

传统财经媒体、行业新闻、政策解读……这些内容相对权威，但时效性不如社交媒体。

• 财经新闻：如华尔街日报、财新、第一财经
• 政策文件：央行公告、监管文件、行业白皮书
• 公司公告：财报、业绩预告、重大事项

这里有个避坑指南：我曾经直接用新闻标题做情绪分析，结果发现很多标题是中性甚至偏负面的，但正文内容其实是利好。所以，我建议至少分析正文前200个字，或者用摘要模型提取关键信息。

1.2.3 舆情报告

第三方机构发布的舆情报告、投资者情绪调查、恐慌指数（VIX）等。这些数据已经经过初步加工，拿来就能用。

• VIX指数：市场恐慌程度的“体温计”
• AAII投资者情绪调查：美国散户情绪风向标
• 百度搜索指数/微信指数：关键词热度反映关注度

我个人习惯把舆情报告作为“验证信号”。比如，当我的模型从社交媒体上检测到恐慌情绪，再去看VIX是否同步飙升，如果两者一致，信号的可信度就高很多。

1.3 情绪数据在金融领域的应用价值

情绪数据到底有什么用？我总结了三个核心应用场景。

1.3.1 辅助择时

情绪极端时，往往是市场反转的前兆。比如：

• 极度恐慌：可能是抄底机会（但别急着接飞刀）
• 极度贪婪：可能是减仓信号（别贪最后一个铜板）

我记得2020年3月，新冠疫情引发全球恐慌，社交媒体上“崩盘”、“清仓”等词出现频率暴增。当时我的情绪模型给出了“极度恐慌”信号，随后市场在两周内触底反弹。当然，这不是说情绪指标能精准预测最低点，但它能告诉你“现在大概率不是乐观的时候”。

1.3.2 风险预警

情绪数据可以作为“风险雷达”。当负面情绪持续累积，而价格还在上涨，这就是典型的“背离”——往往意味着上涨不可持续。

举个例子：某只股票连续上涨，但社交媒体上的正面情绪占比却在下降。这种背离出现时，我通常会减仓或设置更紧的止损。

1.3.3 策略增强

把情绪数据作为因子，加入到现有的量化策略中。比如：

• 动量策略 + 情绪过滤：只在情绪中性或偏正面时做多
• 均值回归策略 + 情绪确认：在情绪极端时入场
• 事件驱动策略 + 情绪验证：重大新闻发布后，看情绪是否配合

1.4 本章知识体系总览

下面这张图，是我自己画的知识框架。你可以把它当作本章的“地图”。

这张图把本章的核心内容串起来了。你看，从三大来源到三大应用，中间其实有一条暗线——数据清洗与特征工程。这部分我们后面会详细讲，今天先有个整体印象。

1.5 一个小案例：情绪数据怎么用？

最后，我分享一个简单的代码片段。这不是完整的策略，但能让你直观感受情绪数据的处理流程。

# 伪代码：情绪数据获取与简单分析
import pandas as pd
from textblob import TextBlob  # 一个简单的NLP库

# 1. 获取社交媒体文本（假设已爬取）
posts = [
    "这只股票太强了，明天肯定涨停！",
    "完了，今天又跌了三个点，割肉了",
    "市场情绪一般，观望中"
]

# 2. 计算每条文本的情绪得分
def get_sentiment(text):
    blob = TextBlob(text)
    # 返回 -1（负面）到 1（正面）之间的值
    return blob.sentiment.polarity

scores = [get_sentiment(p) for p in posts]
print("情绪得分:", scores)

# 3. 计算整体情绪指标
avg_score = sum(scores) / len(scores)
print("平均情绪得分:", avg_score)

# 4. 判断情绪状态
if avg_score > 0.3:
    print("情绪偏正面")
elif avg_score < -0.3:
    print("情绪偏负面")
else:
    print("情绪中性")

这段代码很简单，但核心逻辑就是：文本 → 数值 → 判断。实际项目中，你会用到更复杂的模型（比如BERT、LSTM），但本质不变。

好了，这一章就到这里。情绪数据的概念、来源和应用价值，你应该有个基本认识了。下一章，我们会深入讲情绪数据的采集与清洗——这才是真正考验工程能力的地方。

---

公众号:蓝海资料掘金营，微信deep3321