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。*