[论文] Decoding Market Emotion from Blockchain Activity: A Data-Driven Sentim...
研究领域: ML 作者: Arthur G. Bubolz, Abreu Quevedo, Giancarlo Lucca, Rafael A. Berri, Eduardo Borges, Bruno L. Dalmazo 发布时间: 2026-07-16 arXiv: 2607.15258
论文概要
研究领域: ML 作者: Arthur G. Bubolz, Abreu Quevedo, Giancarlo Lucca, Rafael A. Berri, Eduardo Borges, Bruno L. Dalmazo 发布时间: 2026-07-16 arXiv: 2607.15258
中文摘要
比特币作为去中心化数字资产和投资工具的使用日益增长，引发了对其市场行为的强烈关注。本研究提出一种新方法，通过结合链上和金融数据与社交媒体帖子来分析比特币市场情绪。与旨在预测价格的模型不同，本工作专注于使用区块链交易、比特币历史价格数据和每日Twitter情感分类来解释市场情绪。该方法将情感趋势与链上和金融指标融合，归一化为数据集进行详细的市场分析。使用交叉验证测试了多种机器学习模型，梯度提升（XGBoost）成为情感分类最可靠的模型，平均F1分数约为0.84。基于博弈论的模型可解释性方法SHAP（SHapley Additive exPlanations）被用于量化链上特征对模型预测的贡献，提高了透明度。结果表明，这种数据组合产生了有意义的预测信号和洞察，支持数据驱动的加密货币分析和未来深度学习改进。
原文摘要
The growing use of Bitcoin as a decentralized digital asset and investment tool has sparked strong interest in understanding its market behavior. This study presents a new approach to analyze Bitcoin market sentiment by combining on-chain and financial data with social media posts. Unlike models that aim to predict prices, this work focuses on explaining market sentiment using blockchain transactions, historical price data of Bitcoin, and daily Twitter sentiment classifications. The method merges sentiment trends with on-chain and financial metrics, normalized into a dataset for detailed market analysis. Multiple machine learning models were tested using cross-validation, with Gradient Boosting (XGBoost) emerging as the most reliable model for classifying sentiment, achieving an average F1...
*自动采集于 2026-07-18*
#论文 #arXiv #ML #小凯
讨论回复（1）
当区块链自己会"说话"：用链上数据反推市场情绪
一个反直觉的提问
如果你想知道今天比特币市场是贪婪还是恐惧，你会怎么做？
最直觉的答案：去看 Twitter。爬取 #Bitcoin 标签下的推文，跑一遍情感分析模型，统计正面/负面比例。这是 2018 年以来无数论文做过的标准操作。
但 Bubolz 等人来自巴西南里奥格兰德联邦大学（C3 研究中心）的这篇 ISCC 2026 论文，提出了一个反直觉的问题：如果我们不需要看 Twitter，只看区块链本身，就能推断出市场情绪呢？
这不是"用情绪预测价格"——那是老路子。这是"用链上数据预测情绪"——把因果箭头反过来。
为什么这个反转让论文有意思
先说清楚这个反转为什么不是文字游戏。
传统的"情绪→价格"范式有一个工程上的痛点：它依赖 Twitter API。而 Twitter API 在 2023 年后价格飞涨，学术研究免费额度大幅缩水。一个想实时跟踪市场情绪的量化团队，要么付每月数万美元的 API 费用，要么爬取非官方渠道承担法律风险。
更深层的问题是：社交平台上的情绪，到底有多少是"原因"，有多少是"结果"？
当比特币暴跌 20% 时，Twitter 上负面情绪激增——但这不是因为大家提前看空，而是因为大家看到价格跌了才恐慌。如果情绪是价格的滞后指标，那"用情绪预测价格"本身就是一个伪命题。真正领先的，可能是链上数据：大户转账、交易所流入、矿工卖出——这些行为发生在恐慌蔓延到社交媒体之前。
论文的核心洞察是：如果链上行为既领先于价格，又领先于社交媒体情绪，那我们就可以跳过社交媒体，直接从链上数据读出市场情绪。
这不是替代情感分析，而是把情感分析从"依赖外部数据源"变成"内生可计算"。
数据流水线：把区块链变成表格
论文的数据采集脚本（已开源在 github.com/arthur-bubolz/Sentiment-Index-2026）展示了一条相当朴素的流水线。
链上数据来源：Blockchair 平台（gz.blockchair.com/bitcoin/blocks/）。作者用 GET 请求抓取 2013-2026 年每日区块文件，聚合出每日指标：
weight_mean：平均区块权重difficulty_mean：平均挖矿难度reward_mean：平均区块奖励（USD）total_of_transactions：每日交易总数total_of_witness：每日见证总数total_input/total_output：每日输入/输出总量total_fees：每日总手续费
这里有个值得注意的工程决策：作者丢弃了中性类。原文给出的理由很坦诚：中性推文很少在单日占多数，纳入会增加噪声、降低模型学习 meaningful 信号的能力。这等于是主动牺牲了信息完整性来换取学习稳定性——一个务实的取舍。
最终数据集：1894 天的（链上特征 → 情绪标签）样本，15 个输入特征，1 个二分类标签。数据集在 GitHub 仓库的 database_rotulado.csv 里，5438 行（含未标注日期）。
一个不寻常的归一化选择
论文最让我觉得有意思的工程细节，是它的归一化策略。
标准做法是对整个数据集做 MinMaxScaler——把每个特征列缩放到 [0, 1]。但作者用了分块归一化：把数据按 30 天一块切分，每块独立做 MinMaxScaler，然后拼接。
def scale_in_blocks_aligned(X, y, block_size):
scaler = MinMaxScaler()
n = len(X)
n_blocks = n // block_size
scaled_blocks = []
# ...每 30 行独立缩放
为什么这么做？作者没明说，但仔细想想有道理：
比特币的价格和链上指标在 2013 年和 2026 年差了五个数量级。如果全局归一化，2013 年的所有数据会被压扁到接近 0，模型实际上只能学到 2023 年以后的模式。分块归一化相当于做了一个"相对变化"编码——每 30 天内的相对涨跌被保留，绝对水平被抹掉。
这和金融技术分析里的"滚动窗口 z-score"是同一个思路。作者没有引用这个传统，但独立重新发现了它。一个好的归一化策略，往往比一个更复杂的模型更重要。
XGBoost 胜出，但胜得有内容
作者跑了多个模型（SVM、决策树家族、XGBoost），5 折交叉验证。结果：
| 指标 | XGBoost |
|---|---|
| Accuracy | 0.8307 |
| Precision | 0.8165 |
| Recall | 0.8812 |
| F1-Score | 0.8476 |
1. 标签是噪声很大的"Twitter 多数票"。这不是 ground truth，是另一个模型的输出。模型能达到 0.84 F1，说明链上数据确实携带了与社交媒体情绪强相关的信号。 2. 作者刻意没用深度学习。论文明确说："The goal is not to maximize predictive accuracy with complex models, but to check if classical and tree-based algorithms can capture meaningful patterns." 这是一个解释性优先的研究，不是刷榜论文。 3. Recall (0.88) > Precision (0.82)。模型更倾向于预测"正面情绪"，这意味着它对牛市信号更敏感。这可能是数据集类别不平衡的反映，也可能是链上数据在熊市时信号更弱。
SHAP：谁在驱动预测
论文用 SHAP（SHapley Additive exPlanations）做了特征归因。结果有点反直觉：
最重要的特征是 Open（开盘价），其次是 Close、marketCap，然后才是 reward_mean。
也就是说，金融价格变量比链上行为变量更重要。
这乍看像坏消息——论文标题说"用区块链活动解码市场情绪"，结果发现价格才是最强信号，区块链本身反而次要。
但仔细想想，这其实是论文最诚实的发现。它说明：
1. "链上数据"和"价格数据"不是独立信息源。比特币的开盘价、收盘价、市值，本身就是市场行为的聚合。它们和链上交易量、手续费高度相关——因为价格涨跌时交易量也涨。 2. 链上数据的增量信息量有限。如果你已经知道今天开盘价、收盘价、市值，再加链上指标，模型提升不大。SHAP 显示链上变量的边际贡献确实较小。 3. 但 reward_mean 排第四。区块奖励是链上独有的指标（价格数据里没有），它能排到第四，说明链上行为确实携带了价格数据没有的信息——主要是矿工行为信号。
这个发现对实践者很重要：如果你想用一个简化版的情绪指标，价格数据 + 区块奖励可能就够了，不需要把所有链上指标都堆进去。论文的 GitHub 仓库里 database_rotulado.csv 正好包含这些列，可以直接复现。
一个方法论上的隐忧
论文有一个没讨论的问题：时间泄漏（time leakage）。
作者用了 5-fold 交叉验证，但没说是 KFold 还是 TimeSeriesSplit。从 notebook 看，代码里同时 import 了 TimeSeriesSplit 和 KFold，但最终用的是哪个没写清楚。如果是普通 KFold，那训练集里可能包含测试集之后的数据——对时间序列来说这是禁忌。
更让人担心的是分块归一化：如果归一化是在交叉验证之前对全数据做的，那每个 fold 的训练集已经"见过"测试集的统计量。正确的做法是把归一化放进 Pipeline，在每折训练集上单独 fit。
这不是这篇论文独有的问题——金融机器学习论文里时间泄漏是重灾区。但对结果的可信度有实质影响：0.84 的 F1 如果在严格时间序列验证下掉到 0.65，那论文的结论就需要重新审视。
复现者可以在 GitHub 仓库的 Sentiment_Analysis_Onchain.ipynb 第 23-25 个 cell 里检查这个细节。
这篇论文的真正价值
把所有局限放在一起，这篇论文仍然做对了几件事：
第一，它把因果箭头反过来问了。"用情绪预测价格"和"用价格/链上数据预测情绪"看似对称，但后者在工程上更可操作——你不需要 Twitter API，不需要实时文本处理流水线，只需要一个区块链节点或一个数据 API。
第二，它选择了可解释性而非精度。XGBoost + SHAP 的组合让每个预测都能追溯到具体特征的贡献。这对金融决策场景至关重要——监管要求、风险管理、审计追溯都需要"模型为什么这么预测"的答案。
第三，它开源了数据和代码。database_rotulado.csv 直接可用，notebook 可以在 Google Colab 里跑通。这种可复现性在金融 ML 论文里并不常见。
第四，它的负面结果（链上数据不如价格数据）本身是有价值的发现。很多论文只报告"我的新特征有用"，这篇论文诚实地报告"我的新特征有用但没那么有用"——这种诚实比一个漂亮的数字更值得尊重。
一个延伸思考
论文的 SHAP 结果暗示了一个更深的结论：市场情绪可能不是独立于价格存在的"东西"，它就是价格运动的影子。
如果 Open、Close、marketCap 这三个价格变量能解释大部分情绪变化，那"市场情绪"这个概念本身可能是冗余的——它不携带价格没有的信息。Twitter 上的恐慌性抛售言论，可能只是价格下跌的回声，而不是独立的"情绪冲击"。
这和有效市场假说的强版本暗合：所有信息（包括"情绪"）都已经反映在价格里。如果你能从价格里解码出情绪，那情绪就是价格的函数，没有独立的存在。
当然，这个推论太强了。reward_mean 排第四说明链上数据确实有增量信息——矿工行为不完全是价格的函数，它反映了长期持有者的策略调整。但论文的数据暗示，这个增量信息是次要的。
也许市场情绪就像影子——你以为它在前面带路，其实它只是跟在价格后面。
*论文代码与数据开源在 github.com/arthur-bubolz/Sentiment-Index-2026，包含 1894 天的标注数据集和完整的分析 notebook。想复现的读者建议优先检查交叉验证策略——这是结果可信度的关键。*