第163章 模型初建 (第2/3页)
类似的思路，计算其相对于近期滚动窗口内均值（或中位数）的偏离倍数。
处理后的因子，变成了一个个无量纲的、可比的、反映“偏离正常程度”的数值。
------
第二步：因子分类与情绪维度映射
接下来，他将预处理后的几十个因子，按照其反映的情绪倾向，分为两大类：
• 正向情绪因子： 当该因子值“异常高”时，通常对应市场情绪偏向贪婪、乐观、亢奋。例如：上涨家数比例（Z-Score高）、涨停家数（偏离倍数高）、融资买入占比（Z-Score高）、新闻积极情感比例（Z-Score高）、论坛“牛市”、“涨停”等贪婪关键词频率（Z-Score高）。
• 负向情绪因子： 当该因子值“异常高”时，通常对应市场情绪偏向恐惧、悲观、绝望。例如：下跌家数比例（Z-Score高）、跌停家数（偏离倍数高）、波动率（Z-Score高）、股指期货贴水幅度（Z-Score高，贴水为负值，但幅度大视为Z-Score高）、新闻消极情感比例（Z-Score高）、论坛“割肉”、“熊市”等恐慌关键词频率（Z-Score高）。
同时，他意识到，情绪并非简单的“贪婪-恐惧”一维光谱，而是一个多维结构。例如，市场可能在“贪婪”的同时伴随着“高波动”（不安的贪婪），或者在“恐惧”中蕴含着“抄底”的暗流（试探性的恐惧）。因此，他初步构想将情绪分解为几个核心“维度”：
1. 乐观/悲观维度： 主要由价量广度、涨跌停、新闻情感、论坛主题倾向等因子决定。反映市场对未来的普遍看法。
2. 亢奋/恐慌维度： 主要由波动率、极端价格行为、融资盘变化、期权隐含波动率（如有）、论坛恐慌/贪婪关键词的激烈程度等因子决定。反映市场情绪的激烈程度和一致性。
3. 风险偏好维度： 主要由资金流向（大小单差异、板块轮动）、股指期货升贴水、新股表现等因子决定。反映资金是追逐**险资产还是寻求避险。
4. 参与热度维度： 主要由成交量变化、换手率、论坛讨论热度、搜索指数等因子决定。反映市场整体关注度和交易活跃度。
每个维度，将由属于该维度的一组正、负向因子综合计算得出。这为后续的情绪结构分析奠定了基础。
------
第三步：权重确定与指数合成
这是模型构建的核心与难点。如何给不同的因子分配合适的权重？简单等权平均显然不合理，因为不同因子对市场情绪的表征能力和可靠性天差地别。
陆孤影采用了“主客观结合，动态调整”的方法。
首先，主观赋予初始权重。 基于他对市场的理解和历史经验，他给不同大类的数据源分配基础权重。例如，他认为交易数据（价、量、资金）是情绪最直接、最不可伪造的体现，给予最高权重（比如40%）。衍生品与信用数据（期指、融资融券）代表了“聪明钱”和杠杆资金的预期，具有前瞻性，给予较高权重（25%）。舆情数据（新闻、论坛）反映了市场叙事和散户情绪，但噪音较大，且可能具有误导性，给予中等权重（20%）。调查与宏观数据（基金仓位、IPO等）频率低且滞后，但提供了机构行为的侧面印证，给予较低权重（15%）。在每个大类内部，再对具体因子进行细分赋权。例如，在交易数据中，市场广度（上涨家数比）的权重可能高于单一指数的涨跌幅。
然后，引入统计验证进行动态微调。 他利用过去几年的历史数据（回测），尝试找出在历史重要市场顶部和底部区域（这些区域的市场情绪特征相对公认，如2015年牛市顶部、2018年底部、2020年疫情底等），哪些因子的Z-Score表现最为极端和一致，哪些因子的拐点更为领先。通过这种“历史极端情绪场景下的因子表现分析”，来验证和调整初始权重。例如，他发现，在市场极度恐慌的底部，论坛恐慌关键词的爆发性增长和股指期货的深度贴水，往往比简单的涨跌家数更为敏感和领先。那
（本章未完，请点击下一页继续阅读）