一、情绪量化概述
大家好，我是你们的老朋友。今天咱们聊聊情绪量化——这个听起来有点玄乎，其实特别实在的东西。
先问个问题：你炒股的时候，有没有过这种体验？明明技术面、基本面都看好了，结果一买就跌，一卖就涨。为什么会这样？说白了，市场不是机器，它是由人组成的。人一多，情绪就来了。恐惧、贪婪、恐慌、狂热……这些情绪会直接反映在价格里。
情绪量化，就是把这些看不见摸不着的市场情绪，变成可以计算、可以回测的数字指标。我个人习惯把它叫做「市场的体温计」。
什么是情绪量化
情绪量化，简单讲就是：用数据来度量市场参与者的心理状态。
举个例子。你看到一只股票连续涨停，心里痒痒的，想追进去。这时候市场情绪是什么？是狂热。怎么量化？看换手率、看涨停板家数、看融资买入额。把这些数据揉在一起，变成一个0到100的分数——这就是情绪量化。
我在项目中遇到过一件事。有一次做策略回测，发现一个模型在2015年股灾前表现特别好，但股灾一来直接崩了。后来我加了一个情绪因子——其实就是简单的「涨停家数/跌停家数」比值——结果模型在极端行情下的表现明显改善。嗯，这就是情绪量化的价值。
核心观点：情绪量化不是预测未来，而是描述当下。它告诉你「现在市场有多热/多冷」，至于接下来怎么走，那是策略的事。
情绪量化的应用场景
情绪量化能用在哪些地方？我列几个最常见的：
- 择时策略：当市场情绪极度狂热时减仓，极度恐慌时加仓。说白了就是「别人贪婪我恐惧，别人恐惧我贪婪」的量化版本。
- 风险控制：情绪指标可以作为风控的辅助信号。比如情绪超过90分，强制降低仓位。
- 因子增强：把情绪因子加入多因子模型，往往能提升夏普比率。我记得有一次做测试，加入情绪因子后，模型的最大回撤从18%降到了11%。
- 事件驱动：比如财报发布后，市场情绪的变化往往比价格本身更有预测价值。
个人经验：情绪量化最适合用在「极端行情」上。平时可能效果一般，但一到市场拐点，它的价值就出来了。我曾经靠一个简单的恐慌指数，在2020年3月美股熔断时成功抄底——当然，运气成分也有。
情绪量化与传统量化的区别
这个问题很关键。很多人觉得情绪量化就是传统量化的一种，其实不然。我画个表格对比一下：
| 维度 | 传统量化 | 情绪量化 |
|---|---|---|
| 数据来源 | 价格、成交量、财务数据 | 舆情、社交媒体、行为数据 |
| 核心假设 | 市场有效、价格反映价值 | 市场非理性、情绪影响价格 |
| 信号频率 | 中低频为主（日线、周线） | 高频为主（分钟级、实时） |
| 策略逻辑 | 均值回归、趋势跟踪 | 极端情绪反转、情绪惯性 |
| 回测难度 | 相对容易（数据标准化） | 较难（数据清洗、噪声大） |
你想想看，传统量化看的是「已经发生的事」——价格涨了、成交量放大了。而情绪量化看的是「正在发生的事」——大家现在是什么心态？这种心态会怎么影响接下来的交易？
举个例子。一只股票突然放量上涨，传统量化会认为「有资金进场，趋势可能延续」。但情绪量化会问：这个放量是因为基本面改善，还是因为散户跟风？如果是后者，那接下来大概率要回调。
避坑指南：情绪量化最大的坑是「噪声太多」。我曾经用微博情绪数据做回测，结果发现大部分信号都是噪音——因为很多人发帖只是为了发泄，并不代表真实交易意图。后来我学会了：情绪数据必须经过「交易行为验证」，比如只看那些「有实际交易行为」的用户情绪。
情绪量化的知识体系
下面这张图是我自己整理的，情绪量化框架的核心结构。你看一眼，大概就知道我们要学什么了。
这张图其实就概括了我们整个课程的结构。从数据采集开始，到特征工程、策略设计，最后是回测验证。每一步都有坑，每一步也都有技巧。
我个人觉得，情绪量化最难的不是算法，而是「数据清洗」。你想想看，社交媒体上的数据有多脏？各种表情包、错别字、反讽……要把这些变成可用的信号，需要花大量功夫。我刚开始做的时候，光清洗数据就占了项目时间的60%。
一个小建议：如果你刚开始接触情绪量化，别急着搞复杂的深度学习模型。先从最简单的「情绪得分 = 看涨帖子数 / 总帖子数」开始，跑通一个完整的回测流程。等流程跑通了，再慢慢加复杂度。我见过太多人一上来就搞BERT、LSTM，结果连回测框架都没搭好。
好了，这一章就到这里。情绪量化不是什么神秘的东西，它就是「用数据说话」的另一种方式。下一章我们会聊具体的数据源——从哪里获取情绪数据，哪些数据靠谱，哪些数据是坑。