理解市場情緒的另一面：基於 Yahu API 的投資者評論輿情分析實戰

2025-04-23

當市場數據開始波動，圖表與模型告訴我們「發生了什麼」，但真正揭示「為什麼會發生」的，往往是人類語言背後的情緒與判斷。而這些真實的「聲音」通常藏在論壇討論、投資者留言和市場評論中。

今天，我們要一起探索：如何透過 Luckdata 提供的 Yahu Financials API 中的 conversations 模組，從投資者社群中提取情緒線索和市場預期，建構屬於你的「情緒雷達」。

一、輿情數據：被低估的資訊金礦

在 Reddit、Yahoo Finance、Twitter 等投資社群，散戶與分析師們每天發佈成千上萬條討論。這些內容具有幾個獨特價值：

即時性：許多消息與觀點遠早於主流媒體發布
情緒性：能反映市場對事件的真實反應與情緒波動
預期性：透過情緒傾向判斷投資者是恐慌、貪婪還是觀望

舉例來說，當某支股票突然成為討論焦點，即使基本面未變，也可能因為情緒推動而出現短期異動。這些訊號的提前捕捉，對於短線交易者尤為關鍵。

我們可以透過 API 對這些討論進行定向收集與分析，建構自己的「市場感知能力」。這不只是數據工作，更是投資洞察力的提升。

二、Yahu Financials API 的 conversations 模組概覽

Luckdata 的 Yahu API 提供了針對 Yahoo Finance 社群評論的結構化抓取方式，主要包含兩個接口：

1. 獲取評論內容列表

GET /api/yahu-financials/wjbchky2ls76 參數： - messageBoardId：訊息板 ID，如 finmb_24937（代表特定股票） - count：返回評論數量 - offset：分頁偏移 - sort_by：排序方式（如 newest）

範例請求：

import requests
headers = {
"X-Luckdata-Api-Key": "your-luckdata-key"
}
params = {
"messageBoardId": "finmb_24937",  # AAPL 的評論區
"count": 10,
"offset": 0,
"sort_by": "newest"
}
res = requests.get("https://luckdata.io/api/yahu-financials/wjbchky2ls76", headers=headers, params=params)
data = res.json()

這讓我們可以抓取指定股票的最新投資者評論，進行即時監控與文本分析。

2. 獲取討論總數（用於熱度判斷）

GET /api/yahu-financials/l2mlcgr2myz0 參數： - messageBoardId（必填）

這個接口返回評論總數，若結合時間維度，即可觀察某支股票是否突然「熱起來了」。例如，一檔冷門股突然短時間內評論數倍增，往往意味著市場開始注意該標的，可能有利多消息或炒作潛力。

三、實戰：建構一個「討論熱度雷達」

我們可以基於評論數量與更新頻率，建構一個簡單的「討論熱度指標」，輔助判斷哪些股票正被市場強烈關注。

步驟 1：抓取評論總數（用於熱度分析）

def get_comment_count(stock_id):
url = "https://luckdata.io/api/yahu-financials/l2mlcgr2myz0"
params = {"messageBoardId": stock_id}
res = requests.get(url, headers=headers, params=params)
return res.json().get("totalCount", 0)

你可以每天定時記錄這些數據，並將其繪製成熱度曲線圖。例如，設定閾值監控：若某支股票 24 小時內評論量暴增超過 3 倍，即發出預警，標記為「高關注潛力股」。

此外，亦可與成交量、股價波動率等指標結合，進行多維度篩選，提高選股準確率。

四、評論內容分析：關鍵詞提取 + 情緒判斷

評論的數量是一個面向，而評論的「內容」則揭示市場情緒的深層資訊。我們可以進一步對評論做文本分析，例如：

高頻關鍵詞詞雲
情緒傾向分析（正面 / 負面 / 中性）
評論密度時序圖（判斷「爆點」時刻）

範例：關鍵詞統計

from collections import Counter
def get_keywords(comments):
words = []
for c in comments:
text = c["content"].lower()
words += [w for w in text.split() if len(w) > 3 and w.isalpha()]
return Counter(words).most_common(20)

這可以幫助我們快速理解討論焦點，如「split」、「buyback」、「guidance」等熱詞頻繁出現時，可能暗示市場對某事件極為關注。

範例：簡單情緒打分

positive = ["buy", "bull", "strong", "profit", "up"]
negative = ["sell", "bear", "drop", "loss", "scam"]
def score_sentiment(text):
score = sum(1 for w in positive if w in text) - sum(1 for w in negative if w in text)
return "positive" if score > 0 else "negative" if score < 0 else "neutral"

這是最基本的詞典法判斷情緒傾向。你也可以接入更高級的 NLP 模型（如 Hugging Face 的 distilbert-base-uncased-finetuned-sst-2），透過深度學習模型獲得更精準的分類與置信度評分。

五、建構情緒儀表盤（Dashboard Ideas）

將上述分析結果整合起來，可以打造一個輿情可視化儀表盤，例如展示：

每支股票的評論熱度（日增量趨勢圖）
每條評論的情緒傾向與關鍵詞摘要
投資者整體情緒分佈（正/負/中性比例）
情緒與股價變動的聯動視覺化

進階用法可以與新聞 API 整合，例如若某新聞發佈後，對應股票的評論量激增且情緒明顯偏向負面，即可能提前預警股價修正的風險。

若再搭配技術指標、財報數據，甚至社群影響力分析（如推文轉發量），則可構建出一套結構化、準實時的市場情緒監控系統。

六、總結與展望

透過 Yahu Financials API 的 conversations 模組，我們得以穿透傳統數據圖表，深入了解市場參與者的心理狀態與討論焦點。配合評論總量、關鍵詞頻率與情緒走向，能夠建構出一套投資輔助判斷系統，幫助你：

更早察覺市場「情緒拐點」
輔助判斷利空/利好的真實市場反應
捕捉「被討論最多但尚未爆發」的潛力股

未來，若將這套系統與行情波動、新聞推送、財務指標結合，還能打造出真正具有預測力的智慧投資情緒雷達，讓你在資訊雜訊中找到機會節點。

如你所見，輿論分析不僅僅是「看評論」，而是從雜亂無章中提煉出結構化訊號。而 Luckdata 的 Yahu Financials API，正是你建構這一能力的強大工具。