强自信”，平调为“敷衍”）；
• 非语言信号捕捉：通过停顿时长（＞3秒视为“回避”）、重复语句（如“这个我们以后再说”出现5次以上）标记“诚信风险”。
经典案例：第223章某医药公司CEO在“毛利率下滑”提问时，语调颤抖+答非所问（重复“行业共性”3次），系统通过“管理层情绪模型”给出“诚信评分-20分”，3个月后该公司公告终止试验，股价暴跌。
（三）特殊场景情绪：在“极端时刻”捕捉“人性极值”
市场总有“黑天鹅”与“政策突袭”的特殊场景，情绪模型需在这些时刻“超常发挥”。
1. 危机事件情绪：恐慌的“多米诺骨牌”
• 事件分级响应：将危机分为“行业级”（如教育“双减”）、“公司级”（如财务造假）、“产品级”（如塑化剂），匹配不同情绪模型；
• 情绪传染阻断点：识别“情绪稳定器”（如行业龙头股的抗跌表态），预测恐慌情绪何时见顶（如某白酒龙头发公告澄清“塑化剂”后，板块情绪指数3日内回升20点）。
2. 政策发布情绪：“预期差”的狂欢与踩踏
• 政策文本情绪分析：用NLP识别政策文件中的“支持”“限制”“中性”词汇（如“双碳”政策中“大力发展”标为“强支持”）；
• 预期差计算：对比“政策实际力度”与“市场前期预期”（如某新能源补贴政策低于预期，情绪指数从+50骤降至-30）。
三、情绪模型的构建：从“数据输入”到“情绪输出”的技术链条
情绪模型的构建是“数据-算法-场景”的三重融合，核心流程可分为“四步锻造法”。
（一）第一步：数据预处理——给情绪“定标准”
基于第223章清洗整理后的非结构化数据，进行“情绪标准化”：
• 文本数据：统一“积极/消极”词典（如“增长”=+1，“下滑”=-1），过滤水军话术（如“目标价999”固定句式）；
• 音频数据：将录音切割为“问答片段”，标注“问题类型”（如“业绩”“战略”“风险”），避免断章取义；
• 图像数据：用OCR识别图片中的“情绪符号”（如业绩会PPT上的“预警三角”图标），转化为情绪标签。
（二）第二步：算法分层——让情绪“可计算”
情绪模型采用“三层算
…。。