sentiment-analysis

情绪分析

从社交媒体、新闻源和链上数据中提取并量化市场情绪，以识别群体仓位倾向和潜在的逆向交易机会。

何时使用此技能

• 在建立或退出仓位前评估群体情绪
• 检测可能预示反转的极度兴奋或恐慌情绪
• 监控社交提及速度，以便及早发现趋势
• 追踪特定代币相关的意见领袖活动
• 为系统化策略构建综合情绪评分

核心概念

情绪数据来源

来源	数据类型	访问方式
Twitter/X	帖子文本、互动数据、关注者数量	API（付费层级）
Reddit	Subreddit 帖子、评论、点赞数	Reddit API
Telegram	频道消息、成员数量	Bot API 或抓取
Discord	服务器活动、消息量	Bot 集成
新闻	标题、文章文本	NewsAPI、RSS 源
CoinGecko	社区统计数据、开发者活动	免费 API
Alternative.me	恐惧与贪婪指数	免费 API
链上	资金费率、交易所资金流	交易所 API

有关各来源的完整 API 详情、速率限制和访问模式，请参阅 references/data_sources.md。

情绪指标

提及速度 — 代币提及量随时间的变化速率：

mention_velocity = mentions_last_hour / baseline_hourly_mentions
# > 3.0 = trending, > 10.0 = viral

情绪极性 — 正面与负面语气：

polarity = (positive_count - negative_count) / total_count
# Range: -1.0 (all negative) to +1.0 (all positive)

恐惧与贪婪指数 — 综合市场情绪（0-100）：

范围	标签	典型信号
0-24	极度恐惧	潜在的累积区域
25-44	恐惧	低于平均水平的情绪
45-55	中性	没有明显的方向性倾向
56-74	贪婪	高于平均水平的情绪
75-100	极度贪婪	潜在的派发区域

社交热度 — 各平台的提及总量：

social_volume_z = (current_volume - mean_30d) / std_30d
# z > 2.0 suggests unusual activity

链上情绪代理指标

链上数据揭示参与者的实际行为，而不只是他们的言论：

资金费率 — 永续期货的持仓成本：

# Positive funding = longs pay shorts (bullish crowding)
# Negative funding = shorts pay longs (bearish crowding)
funding_sentiment = -1.0 * normalize(funding_rate, -0.1, 0.1)
# Inverted: high positive funding is contrarian bearish

多空比 — 杠杆仓位的比例：

ls_ratio = long_accounts / short_accounts
# > 2.0 = crowded long, < 0.5 = crowded short
ls_sentiment = -1.0 * normalize(ls_ratio, 0.5, 2.0)

交易所资金流 — 净存入量／提取量：

net_flow = exchange_inflows - exchange_outflows
# Positive net flow (deposits) = bearish (selling pressure)
# Negative net flow (withdrawals) = bullish (accumulation)
flow_sentiment = -1.0 * normalize(net_flow, -threshold, threshold)

基于关键词的情绪评分

一种使用精选词表、不依赖 LLM 的简单方法：

BULLISH_KEYWORDS = {
    "moon": 2, "bullish": 2, "pump": 1, "breakout": 2,
    "buy": 1, "long": 1, "accumulate": 2, "undervalued": 2,
    "gem": 1, "rocket": 1, "ath": 1, "rally": 2,
}
BEARISH_KEYWORDS = {
    "dump": 2, "bearish": 2, "crash": 2, "scam": 3,
    "rug": 3, "sell": 1, "short": 1, "overvalued": 2,
    "dead": 2, "rekt": 1, "ponzi": 3, "exit": 1,
}

def score_text(text: str) -> float:
    """Score text from -1.0 (bearish) to +1.0 (bullish)."""
    words = text.lower().split()
    bull_score = sum(BULLISH_KEYWORDS.get(w, 0) for w in words)
    bear_score = sum(BEARISH_KEYWORDS.get(w, 0) for w in words)
    total = bull_score + bear_score
    if total == 0:
        return 0.0
    return (bull_score - bear_score) / total

有关完整方法、时间衰减加权和综合评分构建，请参阅 references/scoring_methods.md。

综合情绪评分

将多个信号合并为单一评分：

def composite_sentiment(
    social_polarity: float,    # -1.0 to +1.0
    mention_velocity: float,   # 0 to inf
    fear_greed: int,           # 0 to 100
    funding_rate: float,       # -0.1 to +0.1
    weights: dict | None = None,
) -> float:
    """Compute weighted composite sentiment score (-100 to +100).

    Args:
        social_polarity: Average polarity of social mentions.
        mention_velocity: Current velocity vs baseline.
        fear_greed: Fear & Greed index reading.
        funding_rate: Current perpetual funding rate.
        weights: Optional custom weights.

    Returns:
        Composite score from -100 (extreme fear) to +100 (extreme greed).
    """
    w = weights or {
        "social": 0.30,
        "velocity": 0.15,
        "fear_greed": 0.30,
        "funding": 0.25,
    }
    # Normalize each component to -1.0 to +1.0
    s_social = social_polarity
    s_velocity = min(mention_velocity / 10.0, 1.0)  # Cap at 10x
    s_fg = (fear_greed - 50) / 50.0  # 0-100 -> -1 to +1
    s_funding = -10.0 * funding_rate  # Contrarian: high funding = bearish
    s_funding = max(-1.0, min(1.0, s_funding))

    raw = (
        w["social"] * s_social
        + w["velocity"] * s_velocity
        + w["fear_greed"] * s_fg
        + w["funding"] * s_funding
    )
    return round(raw * 100, 1)

逆向信号

极端情绪读数往往预示着反转：

条件	解读
Composite < -70	极度恐惧——历史上属于买入区域
Composite > +70	极度贪婪——历史上属于卖出区域
Velocity > 10x + polarity > 0.6	兴奋情绪飙升——可能适合反向交易
Velocity > 10x + polarity < -0.6	恐慌情绪飙升——可能出现反弹
Funding > 0.05% + LS ratio > 2.0	多头拥挤——有清算风险
Funding < -0.05% + LS ratio < 0.5	空头拥挤——有挤仓风险

关键原则：情绪指标在极端值时最有用。中性读数（综合评分介于 -30 和 +30 之间）的预测价值较低。

意见领袖追踪

监控粉丝数较多的账号，以便及早发现信号：

def influencer_signal(
    posts: list[dict],
    min_followers: int = 50_000,
    lookback_hours: int = 24,
) -> dict:
    """Detect influencer activity around a token.

    Args:
        posts: List of posts with 'followers', 'timestamp', 'sentiment'.
        min_followers: Minimum follower count to qualify as influencer.
        lookback_hours: Time window in hours.

    Returns:
        Dict with influencer_count, avg_sentiment, total_reach.
    """
    cutoff = time.time() - (lookback_hours * 3600)
    relevant = [
        p for p in posts
        if p["followers"] >= min_followers and p["timestamp"] >= cutoff
    ]
    if not relevant:
        return {"influencer_count": 0, "avg_sentiment": 0.0, "total_reach": 0}
    return {
        "influencer_count": len(relevant),
        "avg_sentiment": sum(p["sentiment"] for p in relevant) / len(relevant),
        "total_reach": sum(p["followers"] for p in relevant),
    }

与其他技能的集成

技能	集成点
position-sizing	极度贪婪时缩减仓位，极度恐惧时增加仓位
risk-management	情绪与价格背离时收紧止损
regime-detection	情绪用于确认或否定市场状态分类
feature-engineering	将情绪指标作为 ML 特征
signal-classification	将情绪作为信号评分模型的输入
whale-tracking	将巨鲸活动与社交情绪结合
token-holder-analysis	将持有者增长／减少作为情绪代理指标

实用工作流

1. Fetch fear/greed index          → Market-wide mood
2. Pull social data for token      → Token-specific sentiment
3. Score text with keyword method  → Polarity scores
4. Compute mention velocity        → Trending detection
5. Check on-chain proxies          → Funding, flows
6. Calculate composite score       → Single decision input
7. Flag contrarian signals         → Extreme readings
8. Integrate with position sizing  → Adjust allocation

局限性和警告

• 情绪信号噪声较大。 单次读数并不可靠——应关注趋势和极端值。
• 社交数据可能被操纵。 机器人活动可能推高提及次数。
• 关键词评分较为粗略。 无法识别讽刺、语境和细微差别。
• 存在滞后。 情绪数据可供衡量时，价格可能已经变动。
• 不构成财务建议。 情绪数据仅供参考和分析。
• API 访问因情况而异。 Twitter/X API 的定价频繁变动，请据此做好预算。
• 存在幸存者偏差。 归零的代币不再被讨论——没有提及也是一种信号。

文件

参考资料

• references/data_sources.md — 所有情绪数据源的 API 详情、速率限制和访问方式
• references/scoring_methods.md — 关键词列表、综合评分方法、时间衰减和反向逻辑

脚本

• scripts/sentiment_scanner.py — 从免费 API 获取实时情绪数据、计算综合评分并标记反向信号
• scripts/keyword_sentiment.py — 独立的关键词文本情绪分析器，附带合成演示数据