交易中的情緒分析：訊號還是雜訊？

情緒分析交易工具承諾了某種誘人的東西：把群眾的情緒當成一道即時數據饋送，在所有人依它行動之前先量化出來。這套說法自己會寫。證據則凌亂得多。情緒數據是真實的、可量測的、偶爾非常有用，但很少是以那些儀表板所暗示的方式。

這篇文章談情緒數據實際量測的是什麼、大型語言模型如何改變了擷取品質、研究誠實地支持了什麼、情緒饋送在哪裡失效，以及三種經得起檢驗的用途：擁擠交易警示、混亂過濾器，與體制脈絡。

情緒數據實際量測的是什麼

撇開品牌包裝，多數情緒產品都從三口井取水。

新聞語氣。 演算法替已發表的文章對某項資產的正面或負面框架打分，再加總。本週有四十則謹慎標題的股票，分數會低於有四十則樂觀標題的。這個分數反映的是記者與通訊社如何框架一則報導，而不是這家公司值多少。

社群聲量與情緒。 有多少貼文提到某個代號，其中偏多與偏空的比例各是多少。聲量往往比極性更重要：一枚上個月沒人討論的幣，突然出現在數千則貼文裡，這告訴你注意力來了。它並沒有告訴你注意力最終會朝哪個方向收斂。

部位與複合儀表。 恐懼與貪婪指數把波動率、市場廣度、put/call 比與問卷數據等輸入捆成一個數字。這些是這群裡最誠實的，因為它們量測的是行為（人們實際上拿錢在做什麼），而不是話語。

注意這些沒有一個量測的是：未來價格。情緒是群眾的溫度計。溫度計確實有用。但它不是天氣預報。

LLM 改變了什麼，又沒改變什麼

多年來，情緒擷取跑的是關鍵字計數與詞袋分類器。那些系統把「這檔股票被那群現在自己套牢的放空客砸爛了」評為負面，因為「砸爛」與「套牢」是負面字眼，卻沒讀出這句話描述的是一個偏多的布局。

LLM 讀得懂脈絡。它們處理否定、區分「一點也不差」和「差」，還能抓到一些反諷。它們能分辨一則標題是在講這家公司、還是只是順帶一提，而這是舊管線常常搞砸的。擷取品質確實有所改善，而如果你消費任何現代供應商的情緒分數，這就有意義：輸入比 2020 年時乾淨。

LLM 沒改變的，是那個更難的問題：從情緒到報酬的映射。一個量得再精準的情緒讀數，仍然只是對人們當下想法的一次讀取，而市場會以殘酷的效率把人們當下的想法反映進價格。對一個被廣泛盯著的量做更好的量測，並不會創造優勢；它多半只是移除了讓舊量測毫無用處的那些雜訊。想更深入看語言模型在哪裡真的有幫助、又在哪裡撞牆，請見LLM 在交易中能做與不能做什麼。

情緒分析交易：證據支持什麼

這裡是懷疑論者的總結，而它剛好也是準確的那個：情緒作為逆勢極端偵測器與風險過濾器，比作為方向性訊號更管用。

方向性這一路很弱。對 LLM 交易智能體的學術綜述指出，多數已發表的勝績都來自視窗過短、資產範圍狹小、且帶有前視風險的回測（「Large Language Model Agent in Financial Trading: A Survey」，arXiv:2408.06361, 2024）。一份範圍更廣、對 77 篇 LLM 交易智能體研究的 2026 年審計則作結：持久超額報酬的證據依然稀薄，而實務價值坐落在有紀律的執行與監控、而非預測（「Agentic Trading: When LLM Agents Meet Financial Markets」，arXiv:2605.19337, 2026）。若資金充裕的研究團隊都難以把文字轉成前瞻報酬，一份散戶儀表板訂閱不太可能辦到。

逆勢這一路更耐久，而它的邏輯是結構性的、而非統計性的。當一個情緒儀表釘在極端，部位往往一面倒。若幾乎所有想買的人都買了，邊際買家的池子就很淺，市場便在某一個方向上變得脆弱。一個極端讀數並沒有告訴你這週就會反轉。它告訴你風險是不對稱的，這是一個不一樣、也更站得住腳的主張。

過濾這一路則是所有裡最強的。情緒的波動（情緒劇烈擺盪、社群聲量爆量）可靠地與寬價差、跳空的價格走勢、以及頭條驅動的來回洗盤同時發生。你根本不需要情緒去預測任何事，「當群眾在尖叫時就停止開新倉」就已是一條理性的規則。

失效模式：情緒數據在哪裡對你說謊

在把任何情緒饋送接進一個決策之前，先弄清楚它會以哪些具體方式壞掉。

機器人放大機器人。 關於可交易資產的社群喧囂，有相當一部分是自動化的：互動農場、拉盤群組，如今還有 LLM 生成的貼文。你的情緒饋送很可能正在替其他機器的產物打分，其中有些是由那些想讓你買下他們要賣之物的人所操作。小型、缺乏流動性的資產上的社群情緒，是金融裡最容易被製造出來的數據。

反諷與社群黑話。 擷取是進步了，但交易社群是用反諷在溝通。一個用火箭表情慶祝虧損、或把一個崩潰中的部位稱作「投資建議」的論壇，仍然會把分類器搞糊塗。而且這種錯誤並非隨機；它恰恰群聚在那些戲劇性的時刻，也就是你最想要準確讀數的時候。

回測中的存活者偏誤。 歷史情緒資料集常常是為那些仍然存在、仍然重要的資產，事後回溯拼湊出來的。那些下市的股票與死掉的幣（極端偏多的喧囂就發生在歸零之前）被悄悄漏掉了。一個在「只剩存活者」宇宙上顯示「高社群熱度預示上漲」的回測，量到的是選擇、不是訊號。

在最糟時刻的過時。 等一個面向散戶的分數更新時，聰明錢早已交易過那個底層事件。情緒饋送位在新聞的下游；把它們當成早期預警，等於把它們在資訊鏈裡的真實位置給倒過來。若你想對事件本身做出反應，那是另一條有著不同設計規則的管線，我們在用 AI 做新聞驅動交易裡談過。

三種經得起檢驗的用途

接受了以上一切，情緒在自動化配置裡仍掙得一席之地。三種模式站得住。

1. 擁擠交易警示。 你持有一項資產。它的情緒攀上狂喜的極端，而價格已遠遠跑在趨勢之上。一個明智的自動化不會賣出（那是把情緒當成方向性神諭）。它暫停進一步買進、把移動停損收緊、或叫你來檢視部位。是那個極端讀數改變了你的風險姿態，不是你的論點。

2. 混亂過濾器。 讓你的進場以「平靜」為門檻。一條只在該資產的情緒波動低於某門檻時才觸發的均值回歸規則，會跳過那些「一個下跌其實是一樁即時上演的醜聞」的日子。你會錯過一些贏家。但你也會跳過那些看起來像回檔、其實是懸崖的進場，而那通常是一筆值得做的交易。把情緒門檻與價格、趨勢條件組合起來是個經典模式，我們在多條件自動化裡探討過。

3. 體制脈絡。 複合的恐懼／貪婪讀數，描述的是市場在數週尺度上的性情，而不是它明天的方向。在恐慌體制中把部位放小、或在狂喜體制中要求更強的確認，用的正是情緒所量測的東西：你正在交易的這個環境的情緒波動。

這套「過濾與脈絡」的哲學，正是 Obside 對待情緒的方式。它的複合市場訊號把情緒與新聞流、總經數據混在一起，設計上就是要當你自動化「裡面」的條件、而不是交易建議。一個具體例子：你告訴 AI 副駕「照常跑我每週的 BTC 買進，但每當複合情緒讀數處於極端時，就跳過這次買進、改成提醒我」。副駕把它重述成受監控的條件，你核准後，智能體便全天候套用這條規則，包括那些你原本會去「讀」那份狂喜、而不是把它過濾掉的時段。情緒門檻在加密貨幣裡更加重要，因為那裡的群眾從不睡覺；加密貨幣 AI 智能體指南談的就是那片地形。

在任何平台上你都不該做的：把「情緒分數穿越 70 就買」或「穿越 30 就賣」當成一條獨立規則。那是方向性神諭的用法，而證據並不支持它。

這把你帶到哪裡

情緒分析既不是廠商兜售的那種優勢，也不是憤世者宣稱的純粹雜訊。它是一層量測：對群眾情緒誠實，對未來價格沉默。當成逆勢極端偵測器來用，它磨利你的風險意識。當成過濾器來用，它讓你的自動化避開混亂的行情紙帶。當成預測來用，它會在它感覺最令人信服的那些時刻讓你失望，因為極端從內部看起來就像確定性。

若你想讓情緒作為過濾器、而不是算命師來做事，Obside 讓你把那條規則用一句白話寫出來、回測它，並在任何一張真單送出之前先用紙上模式演練。從 obside.com 開始。

僅供教育參考，不構成投資建議。交易存在風險，可能導致本金損失。