每個特徵都要做標準化處理，與原有的技術指標在同一個量綱上。林晨修改了之前重構的特徵工程模組，新增了 SentintFeatureExtractor 類，實現了這些計算邏輯。
三天後，爬蟲任務完成。伺服器上積累了2800多萬條評論資料，壓縮後仍有40多GB。林晨在本地只下載了情緒特徵的計算結果——每隻股票每個交易日的幾個數值，資料量驟降到幾。
他將情緒特徵加入模型，重新訓練。
等待訓練結果時，林晨有些忐忑。這可能是他失業以來最專注的一次技術探索——不是為了面試，不是為了證明自己，而是純粹想解決一個真實的問題。這種狀態讓他想起大學時通宵寫程式碼參加競賽的日子，雖然累，但心裡踏實。
下午四點，訓練結束。
林晨屏住呼吸，點開回測報告。
策略表現對比（過去三年）
原策略（15個技術特徵）：年化收益19.5%，最大回撤7.1%，夏普比率2.3
新策略（技術特徵＋情緒特徵）：年化收益21.2%，最大回撤6.8%，夏普比率2.6
提升了。
雖然幅度不大，但關鍵是在那幾個情緒化交易日，新策略的預測準確率顯著提高。模型學會了識別“市場過熱”和“恐慌過度”的訊號，在情緒極端時給出了更保守或更激進的操作建議。
林晨靠向椅背，長長吐出一口氣。
窗外的鵬城灣華燈初上，寫字樓的玻璃幕牆反射著夕陽餘暉。他忽然意識到，自己剛剛完成了一次有趣的“跨界”——把自然語言處理技術應用到了量化投資領域。這不是教科書上的案例，而是他為了解決實際問題自己摸索出來的路徑。
這種成就感，比拿到一個高薪 offer 更讓他興奮。
他開啟實盤監控介面，新策略已經自動部署。系統在下午收盤前給出了三個調倉訊號，都是基於技術面穩健、但情緒面出現短期過度悲觀的機會。林晨確認了風控引數，點選“執行”。
交易指令發出，7萬多的資金開始流動。
做完這些，林晨才感覺到飢餓。他煮了碗麵條，端著碗坐回電腦前，又點開了股吧頁面——這次不是爬蟲視角，而是作為一個普通使用者。
他隨機點開一隻今天跌停的股票評論區。置頂的帖子標題是：“兄弟們，天台冷嗎？我來了”。
下面的回覆五花八門：
“別慌，明天肯定反彈！”
“我已經躺平了，愛咋咋地。”
“主力洗盤而已，拿住了。”
“樓上的別害人了，這公司基本面早爛了。”
每條評論背後，都是一個真實的人，真實的情緒，真實的金錢得失。林晨的模型把這些情緒轉化成了0到1之間的數字，轉化成了特徵向量，轉化成了權重引數。但那些深夜無法入睡的焦慮，那些割肉離場時的不甘，那些意外盈利時的狂喜——這些溫度，程式碼能捕捉嗎？
“也許不能完全捕捉”，林晨想，“但至少，我在嘗試理解”。
他吃完麵條，把碗洗了。回到電腦前，又有了新想法：情緒資料來源不應該只有股吧。微博、財經新聞、券商研報的語氣……這些都可以爬取分析。甚至，可以嘗試用深度學習模型做更細粒度的情緒分類——樂觀、悲觀、憤怒、恐懼、貪婪……
這個系統，還有太多可以進化的空間。
夜深了，林晨卻沒有睡意。他調出今天情緒特徵最極端的幾隻股票，一隻只檢視它們的走勢和評論。在“鵬城科技”這隻股票上，他發現了有趣的現象：技術指標顯示超賣，情緒得分極低（0.18，極度悲觀），但模型給出的建議卻是“觀望”，而非“買入”。
。起皺漸漸頭眉，料資面本基的司公家這開點晨林
。日解售限的它是天明，來原
