结构化方法：叙事标签、情绪评分与事件图谱

一、叙事标签体系：把文本变成“可分组的事件语言”

叙事研究的第一步，是把新闻与社媒内容映射到统一标签空间。标签体系应满足三个条件：

• 互斥与穷尽平衡：既能覆盖主要叙事类型，又避免标签爆炸；
• 跨平台可迁移：同一标签可适用于不同来源文本；
• 可回溯：每条标签都能追溯到原文证据与时间戳。

实务中常用三层标签结构：

1. 一级标签（宏观层）
   例如：监管、宏观流动性、地缘风险、系统性安全事件。
   用于判断叙事是否具备“全市场外溢”能力。
2. 二级标签（赛道层）
   例如：公链生态、DeFi、NFT、GameFi、支付、基础设施等。
   用于定位资金轮动的主战场。
3. 三级标签（资产层）
   例如：具体项目、具体代币、具体协议升级。
   用于把叙事映射到可交易对象。

叙事标签的价值在于：把“故事”变成“可分组的时间序列”，使叙事强度、持续时间与资产相关性可以被统计检验。

二、情绪评分：从“正负情绪”升级为“情绪结构”

传统情绪分析常输出单一分数：正面或负面。但在加密市场，单一分数往往失真，因为同一事件可能同时触发贪婪与恐惧（例如“监管落地=不确定性下降但短期抛压上升”）。

更稳健的做法是构建“情绪结构向量”，至少包含四个维度：

• 极性（Valence）：整体偏多或偏空（（-1 = 强烈看空，0 = 中性，1 = 强烈看多））；
• 强度（Arousal）：讨论激烈程度与情绪尖锐度；
• 分歧度（Dispersion）：不同群体观点是否分裂；
• 确定性（Confidence）：叙事是否被表述为“确定事实”还是“传闻猜测”。

其中，分歧度在实务中常被忽略，但它对波动率预测往往比极性更有解释力：

当社区从分歧走向一致，价格更容易出现趋势加速；当从一致走向分歧，趋势更容易衰竭。

三、扩散评分：衡量叙事是否“真的在扩散”，而不是“被刷热”

社媒热度最容易被操纵，因此扩散评分应优先刻画结构，而不是总量。常用结构指标包括：

• 扩散半径：讨论是否从核心节点扩展到更广谱账户；
• 跨平台共振：同一叙事是否在多个平台同步升温；
• 新增参与者速率：新进入讨论的用户占比是否上升；
• 同质化指数：重复话术占比是否异常偏高（刷量风险）。

扩散评分的核心问题是：热度上升是否对应注意力真实迁移。

若只有总量上升而扩散半径不扩大，叙事更可能是短期脉冲，交易上应降低持续性假设。

四、事件图谱：把“点状新闻”连接成“可推理网络”

叙事交易中最难处理的是信息碎片化：同一主题在不同时间、不同渠道反复出现。

事件图谱（Event Graph）的作用，是把离散信息组织为网络结构：

• 节点：事件（新闻、公告、关键社媒帖子、链上异常转账）；
• 边：因果关系、时间先后、主题相似、主体关联；
• 权重：来源可信度、传播层级、资金关联强度。

通过事件图谱，可以实现三类关键能力：

1. 叙事合并：把重复与变体信息合并为同一主线，降低噪声；
2. 叙事分叉识别：识别同一事件下的竞争性解释路径；
3. 叙事衰减监测：当图谱新增边减少、节点孤立度上升，往往意味着叙事进入衰减期。

事件图谱的价值在于把“文本研究”升级为“动态系统研究”，更适合作为监控与预警框架。

五、链上验证层：把叙事评分与资金证据对齐

叙事评分若无链上验证，容易退化为纯文本投机。对齐方法通常采用“双阈值”：

• 叙事阈值：叙事强度与扩散结构达到最低可交易标准；
• 资金阈值：链上或成交结构出现可观察的配合（例如持续净流入、地址行为模式变化）。

只有当两层同时满足，才进入策略映射阶段；若只有叙事层满足，更适合作为风险观察与事件研究对象。

该机制的意义在于把叙事交易从“相信故事”转为“验证故事是否产生资金后果”。

六、指标体系的分层输出：研究信号 vs 交易信号

为避免过拟合与误用，建议将输出明确分层：

• 研究层指标：用于解释市场、构建假设、生成报告；
• 监控层指标：用于预警、识别叙事切换与异常扩散；
• 交易层指标：用于触发仓位与风控规则，必须更严格、更稳健。

很多失败案例源于把研究层指标直接用于交易层。

分层输出的本质是承认：解释市场与稳定赚钱是不同目标，需要不同阈值与验证标准。

七、常见陷阱：结构化并不等于“更复杂”

结构化方法常见误区包括：

• 标签过细：导致样本稀疏与过拟合；
• 情绪词库静态化：无法适应新梗、新话术与新叙事模板；
• 忽略时间对齐：把滞后链上证据当作即时触发；
• 把热度当 alpha：把讨论量上升等同于上涨概率上升。

结构化目标应是“可维护”，而不是“面面俱到”。

指标体系能否长期运行，取决于更新机制与监控机制是否清晰，而不是指标数量是否庞大。

八、本课小结

本课完成了叙事交易方法论的关键跃迁：从信息采集走向指标化与系统化。

核心成果包括：

• 建立三层叙事标签体系，使文本信息可分组、可统计；
• 将情绪评分扩展为结构向量，提升对波动与趋势转折的解释力；
• 用扩散结构指标识别真实热度与操纵型热度；
• 用事件图谱整合碎片化信息，支持叙事合并、分叉与衰减监测；
• 通过链上验证层把叙事评分与资金证据对齐，降低纯文本交易风险。

下一课将进入执行层：从评分到交易，重点讨论如何把叙事与情绪指标映射为仓位、频率与风控规则，并处理拥挤交易与预期差带来的执行风险。