結構化方法——敘事標籤、情緒評分和事件圖譜

1. 敘事標籤體系：將文本轉化為「可分組事件語言」

敘事研究的起點，是將新聞和社群媒體內容映射至統一的標籤體系。有效的標籤系統需同時符合以下三項標準：

• 兼顧互斥與窮盡：涵蓋主要敘事類型，防止標籤無限擴張；
• 具備跨平台通用性：相同標籤適用於不同來源文本；
• 可追溯性：每個標籤可回溯至原始證據與時間戳。

實務上，多採用三級標籤架構：

一級標籤（宏觀層面）

• 如：監管、宏觀流動性、地緣政治風險、系統性安全事件等。
• 用於判斷敘事是否具有「全市場溢出」效應。

二級標籤（賽道層面）

• 如：公鏈生態、DeFi、NFT、GameFi、支付、基礎設施等。
• 用於定位資金輪動的核心賽道。

三級標籤（資產層面）

• 如：具體項目、代幣、協議升級等。
• 用於將敘事精確映射至可交易標的。

敘事標籤的核心價值，在於將「故事」結構化為「可分組時間序列」，進而支持敘事強度、持續性與資產關聯度的量化分析。

2. 情緒評分：從「正/負面」進化為「情緒結構」

傳統情緒分析多以單一分數呈現——正面或負面。然而在加密貨幣市場，單一分數往往失真，因同一事件可能同時激發貪婪與恐懼（例如：「監管明朗＝不確定性下降但短線拋壓上升」）。

更為穩健的方法，是構建至少涵蓋四個維度的「情緒結構向量」：

• 價向（Valence）：整體偏多或偏空（−1 代表極度看空，0 代表中性，1 代表極度看多）；
• 喚醒度（Arousal）：討論熱度與情緒強度；
• 分歧度（Dispersion）：不同群體間觀點分歧程度；
• 置信度（Confidence）：敘事是以「既定事實」或「傳聞／猜測」方式陳述。

分歧度在實務應用中常被低估，但往往比價向更能解釋波動：

當社群從分歧走向共識，價格趨勢更容易加速；共識分裂為分歧，趨勢則更易終止。

3. 擴散評分：如何判斷敘事是「真實傳播」還是「人工炒作」

社群媒體熱度容易被操控，因此擴散評分應聚焦於結構性而非單純討論量。常見結構性指標包括：

• 擴散半徑：討論是否由核心節點外溢至更廣用戶群體；
• 跨平台共振：同一敘事是否在多平台同步升溫；
• 新參與者增長率：新用戶加入討論的占比是否提升；
• 同質化指數：重複表述比例是否異常升高（通常反映自動化機器人行為）。

擴散評分的關鍵，在於判斷熱度增長是否代表真實注意力轉移。

若僅總討論量增加但擴散半徑未擴大，則該敘事更可能為短線脈衝，針對其持續性交易假設應予以下修。

4. 事件圖譜：將「零散新聞」串聯成「可推理網絡」

敘事交易最大的挑戰在於資訊碎片化——同一主題會反覆出現在不同時間、不同渠道。

事件圖譜能將離散資訊結構化為網絡：

• 節點：事件（新聞、公告、核心社群動態、鏈上異常劃轉等）；
• 邊：因果關係、時間順序、主題相似性、實體關聯度；
• 權重：資訊來源可信度、傳播層級、資金相關強度。

事件圖譜提供三大能力：

1. 敘事整合：合併重複與變體資訊，提升訊號純度；
2. 敘事分叉識別：發掘單一事件的多路徑解讀；
3. 敘事衰減監測：當新邊減少、節點孤立增加時，通常預示敘事趨於衰退。

事件圖譜推動「文本研究」進化為「動態系統研究」，更適合用於監測與預警體系。

5. 鏈上驗證層：讓敘事分數與資金行為精準對齊

若無鏈上驗證，敘事分數極易淪為文本臆測。常見做法為「雙閾值對齊」：

• 敘事閾值：敘事強度與擴散結構達到最低可交易標準；
• 資金閾值：鏈上或交易結構出現可觀察到的對齊（如持續淨流入、地址行為模式改變）。

僅當兩項均達標，方可進入策略映射；若僅敘事層滿足，則僅適合用於風險監測與事件分析。

此機制促使敘事交易從「相信故事」轉向「驗證資金是否產生共振」。

6. 指標體系分層輸出：區分研究訊號與交易訊號

為防止過度擬合與誤用，指標必須嚴格分層輸出：

• 研究級訊號：用於市場解讀、假設建模與報告產出；
• 監控級訊號：用於預警、敘事切換及異常擴散偵測；
• 交易級訊號：用於觸發倉位與風控規則——需具備最高嚴謹性與穩健性。

常見失敗多因將研究級訊號直接用於交易決策。

分層輸出可明確區分市場洞察與穩定盈利，兩者各自需獨立門檻與驗證標準。

7. 常見誤區：結構化不等於更複雜

結構化分析常見誤區有：

• 標籤顆粒過細：導致樣本稀疏、模型過度擬合；
• 靜態情緒詞典：難以適應新迷因幣、流行語或新敘事框架；
• 忽視時間對齊：將滯後鏈上證據誤判為即時觸發訊號；
• 將熱度誤認為 Alpha：將討論量上升等同於價格上漲機率提升。

結構化的核心目標應為「可持續維護」，而非「面面俱到」。

指標體系能否長效運作，取決於明確的更新與監控機制，而非指標數量多寡。

8. 課程總結

本課達成敘事交易方法論的核心升級——從資訊蒐集邁向指標體系化。

重點回顧：

• 建立三級敘事標籤系統，讓文本資訊可分組、可量化；
• 將情緒評分結構化為多維向量，更精準解釋市場波動與趨勢反轉；
• 透過擴散結構指標，辨別真實熱度與人為操控；
• 運用事件圖譜整合碎片資訊，實現敘事整合、分叉及衰減監控；
• 結合鏈上驗證，讓敘事分數與資金證據有效對齊，降低純文本交易風險。

下一課將進入實戰操作：如何將評分映射至實際交易——聚焦於如何將敘事與情緒指標轉為倉位、交易頻率與風控規則，並應對擁擠交易與預期偏差帶來的執行風險。