一一中文网

手机浏览器扫描二维码访问

第73章 情绪指标（第3页）

“抄底”

等关键词的频率，与“暴跌”

“割肉”

“跑路”

等负面关键词的频率比值。

每个特征都要做标准化处理，与原有的技术指标在同一个量纲上。

林晨修改了之前重构的特征工程模块，新增了SentimentFeatureExtractor类，实现了这些计算逻辑。

三天后，爬虫任务完成。

服务器上积累了2800多万条评论数据，压缩后仍有40多Gb。

林晨在本地只下载了情绪特征的计算结果——每只股票每个交易日的几个数值，数据量骤降到几mb。

他将情绪特征加入模型，重新训练。

等待训练结果时，林晨有些忐忑。

这可能是他失业以来最专注的一次技术探索——不是为了面试，不是为了证明自己，而是纯粹想解决一个真实的问题。

这种状态让他想起大学时通宵写代码参加竞赛的日子，虽然累，但心里踏实。

下午四点，训练结束。

林晨屏住呼吸，点开回测报告。

策略表现对比（过去三年）

原策略（15个技术特征）：年化收益19.5%，最大回撤7.1%，夏普比率2.3

新策略（技术特征＋情绪特征）：年化收益21.2%，最大回撤6.8%，夏普比率2.6

提升了。

虽然幅度不大，但关键是在那几个情绪化交易日，新策略的预测准确率显着提高。

模型学会了识别“市场过热”

和“恐慌过度”

的信号，在情绪极端时给出了更保守或更激进的操作建议。

林晨靠向椅背，长长吐出一口气。

窗外的鹏城湾华灯初上，写字楼的玻璃幕墙反射着夕阳余晖。

他忽然意识到，自己刚刚完成了一次有趣的“跨界”

——把自然语言处理技术应用到了量化投资领域。

这不是教科书上的案例，而是他为了解决实际问题自己摸索出来的路径。

这种成就感，比拿到一个高薪offer更让他兴奋。

他打开实盘监控界面，新策略已经自动部署。

系统在下午收盘前给出了三个调仓信号，都是基于技术面稳健、但情绪面出现短期过度悲观的机会。

林晨确认了风控参数，点击“执行”