一、情绪模型的使命：让系统读懂“人性的温度计”
凌晨三点的狼眼系统情绪分析室，大屏上跳动着一张“情绪热力图”——A股市场被划分为32个行业板块，每个板块的颜色从代表“恐慌”的深红到“贪婪”的深绿渐变。组长周明盯着某新能源板块突然泛起的橙红色，指尖在键盘上敲下指令：“调取该板块近7日舆情情绪、管理层语调、机构持仓变化数据，交叉验证异常点。”
这是狼眼系统“情绪模型”的日常。自第222章“数据抓取”打通非结构化数据通道、第223章“清洗整理”驯化舆情与音频视频以来，系统已积累9万条情绪标签、18万分钟业绩会录音、240万条股吧评论。但数据本身不会说话，情绪模型的使命，是让系统读懂“人性的温度计”——将恐慌、贪婪、谨慎、狂热等抽象情绪转化为可计算的数字，为第226章“预警机制”提供“情绪拐点”的先行信号，让投资判断从“冷冰冰的指标”走向“有温度的人性洞察”。
“指标构建是‘标尺’，情绪模型是‘指针’。”项目负责人林默在项目日志中写道，“当财务健康度指标与情绪恐慌指数共振时，风险才是真风险；当成长潜力指标与情绪乐观指数背离时，机会可能藏在反向指标里。”
二、情绪模型的三大核心：捕捉“市场-个体-场景”的情绪光谱
情绪模型并非单一算法，而是一个“三维情绪捕捉网”，覆盖市场整体情绪、个体（公司/管理层）情绪、特殊场景情绪三大维度，每个维度下嵌套“识别-量化-预测”的技术链条。
（一）市场情绪：从“舆情海洋”中打捞“群体心理”
市场情绪是千万投资者的“集体心跳”，最易通过舆情数据观测。第222章抓取的雪球、股吧、新闻舆情，经第223章“语义消噪”后，成为情绪模型的“原料池”。
1. 情绪识别：用NLP剥离“噪声”，锁定“真情绪”
• 基础情绪分类：用BERT模型对每条评论进行“喜、怒、哀、惧、中性”五分类，训练数据包含10万条人工标注的股吧评论（如“目标价999”标为“贪”，“财务造假”标为“惧”）；
• 复合情绪挖掘：用LDA主题模型提取“恐慌性抛售”“谨慎乐观”“盲目跟风”等复合情绪（如“行业要完了，赶紧跑”+“但龙头估值低”=“矛盾性恐慌”）；
• 情绪强度量化：将情绪词频与用户等级挂钩（认证用户“强烈看空”权重=
…。。