青岚加密课堂：基于 LLM 与规则引擎的 BTC 资讯智能过滤、情感评级与交易信号落地实现

<!--StartFragment-->

简介

加密二级市场的价格驱动逻辑，始终围绕宏观货币政策、监管政策、链上巨鲸行为、机构资金动向四大核心维度展开。海量网络快讯、行业通稿、财经资讯呈碎片化爆发，普通资讯聚合平台仅做内容堆砌，缺失相关性语义甄别、事件影响量化评级、多维度因子联动、交易逻辑释义四大核心能力。

大量无关科技个股、消费数码、传统行业舆情混杂其中，量化研究者与专业交易者需耗费大量人工成本做信息筛选与逻辑推演，决策时效性严重滞后。

青岚加密课堂首页自研青岚 AI 自动分析重点引擎，融合规则匹配引擎 + 大语言模型 LLM 语义解析 + 事件权重打分体系，构建从资讯采集、清洗降噪、相关性判定、多维度情感评级、影响周期界定，到适配 TPV 交易系统因子输入的全链路工程化方案。本文从架构设计、核心算法、源码实现、业务落地、系统联动五大维度深度拆解，面向链圈技术开发者、量化策略研究员、专业合约交易者，完整还原可复现的资讯 AI 分析架构，并开放官方站点实测体验入口。

<!--EndFragment--> <!--StartFragment-->

一、行业现状与专业痛点

1.1 资讯生态现存问题

1. 信息熵过高，噪音占比大全网资讯源中，超 70% 内容为传统科技股、半导体、新能源、消费数码等无关舆情，与 BTC 及加密资产价格无任何驱动关联，无自动化过滤机制下，只能人工甄别。
2. 无标准化情感评级体系多数平台仅做新闻标题展示，缺乏利好 / 利空 / 中性标准化标签，更无短期、中期、长期影响周期划分，专业交易者无法快速纳入策略模型。
3. 语义浅层匹配，无深度逻辑释义仅依靠关键词简单匹配，无法理解政策措辞、数据边际变化、监管口径隐含的市场预期，不能输出可用于交易决策的逻辑推导。
4. 与交易系统割裂资讯资讯独立展示，无法作为基本面因子接入趋势、量能、情绪类交易系统，难以实现技术面 + 基本面的共振验证。

1.2 专业交易者核心诉求

• 自动化过滤无效噪音，只留存加密资产强相关资讯；
• 对每条事件做量化情感打分与影响等级划分；
• 输出标准化逻辑释义，可直接作为策略研判依据；
• 可无缝对接自研交易系统，形成多因子共振决策。

青岚 AI 自动分析引擎正是为解决以上专业痛点而生，现已完整落地于青岚加密课堂官网首页。

二、整体系统架构设计

采用分层解耦架构，各模块低耦合可独立迭代，适配高并发资讯实时处理场景：

2.1 五层架构模型

1. 数据采集层对接 RSS 资讯源、财经接口、链上区块浏览器、官方公告渠道、主流媒体快讯接口，7×24 小时实时轮询抓取原始资讯数据，包含标题、正文、发布时间、来源渠道。
2. 数据预处理层执行 HTML 标签清洗、特殊符号过滤、内容去重、时间戳标准化、繁体转简体、文本长度阈值过滤，剔除低质短资讯与重复通稿。
3. 双引擎判别层****规则引擎初筛 + LLM 大模型复判双重校验：先通过关键词权重规则快速过滤明显噪音，再通过 LLM 做深层语义理解，判定资讯与 BTC / 加密资产的关联度。
4. 事件评级与释义层完成三维度输出：

• 情感标签：利好 / 利空 / 中性
• 影响等级：高权重事件 / 中权重事件 / 低权重事件
• 周期界定：短期情绪冲击 / 中期流动性影响 / 长期格局重塑同时生成专业级逻辑释义，解释事件作用于市场的传导路径。

5. 业务落地层结构化数据推送至官网首页 AI 分析板块、接入 TPV 交易系统作为情绪因子、生成每日市场简报、触发关键事件风控预警。

2.2 技术栈选型

• 后端：Python / PHP / Go 混合服务
• 语义推理：通用大模型 API + 本地微调小模型双路部署
• 存储：MySQL 结构化存储 + Redis 热数据缓存
• 调度：定时任务协程轮询，支持分钟级资讯更新

三、核心模块专业源码实现

3.1 资讯相关性过滤引擎（降噪核心）

采用正向关键词权重打分 + 反向黑名单强制过滤机制，规避纯语义模型成本高、延迟大的问题，兼顾效率与准确率。

python

class BtcNewsFilter:
    # 正向高相关核心词库
    CORE_RELATED_KW = {
        "BTC", "Bitcoin", "比特币", "美联储", "FOMC", "非农", "CPI", "降息", "加息",
        "缩表", "QE", "SEC", "ETF", "加密监管", "巨鲸", "链上转账", "交易所持仓",
        "贝莱德", "灰度", "Coinbase", "币安", "现货ETF", "机构增持"
    }

    # 反向强制过滤噪音词库
    NOISE_BLACKLIST = {
        "美光", "半导体", "AI概念股", "光伏", "新能源汽车", "特斯拉",
        "iPhone", "苹果", "玻璃板块", "医药", "白酒", "地产"
    }

    @classmethod
    def is_strong_related(cls, title: str, content: str) -> bool:
        """
        专业版相关性判定
        命中黑名单直接过滤；正向关键词权重≥1判定为强相关
        """
        full_text = (title + content).lower()

        # 黑名单强制拦截
        for noise in cls.NOISE_BLACKLIST:
            if noise.lower() in full_text:
                return False

        # 正向关键词权重计分
        match_count = sum(1 for kw in cls.CORE_RELATED_KW if kw.lower() in full_text)
        
        # 专业阈值：匹配1个及以上核心词即保留
        return match_count >= 1

3.2 事件情感评级与逻辑释义模块

通过利空词库、利好词库、中性兜底规则，结合事件类型做定向释义，输出可直接用于专业分析的结构化结果。

python

class NewsSentimentAnalysis:
    # 利空事件词库
    BEARISH_KW = [
        "加息", "缩表", "非农超预期", "通胀高企", "监管整治", "SEC起诉",
        "巨鲸转入交易所", "大额解锁", "抛售离场"
    ]
    # 利好事件词库
    BULLISH_KW = [
        "降息预期", "暂停加息", "ETF资金净流入", "机构增持", "巨鲸囤币",
        "合规政策落地", "链上锁仓提升"
    ]

    @classmethod
    def get_sentiment_and_reason(cls, news_text: str) -> dict:
        """
        返回：情感标签、影响等级、周期属性、专业释义
        """
        sentiment = "中性"
        level = "低权重"
        period = "震荡消化"
        reason = "事件未构成宏观与资金面明显冲击，市场维持原有趋势震荡"

        # 利空判定逻辑
        if any(kw in news_text for kw in cls.BEARISH_KW):
            sentiment = "利空"
            level = "高权重"
            period = "短期情绪压制+中期流动性承压"
            reason = "事件收紧市场流动性预期或加剧避险情绪，加密资产风险偏好回落，易引发回调修正"
        
        # 利好判定逻辑
        elif any(kw in news_text for kw in cls.BULLISH_KW):
            sentiment = "利好"
            level = "高权重"
            period = "短期情绪提振+中期资金支撑"
            reason = "事件改善宏观流动性环境与机构配置预期，提升加密资产吸引力，支撑价格上行"

        return {
            "sentiment": sentiment,
            "event_level": level,
            "impact_period": period,
            "professional_reason": reason
        }

3.3 实战调用示例

python

if __name__ == "__main__":
    # 测试资讯1：高相关利空事件
    news_1 = "美国4月非农数据大幅超预期，市场延后美联储降息时间预期"
    print(BtcNewsFilter.is_strong_related(news_1, ""))
    print(NewsSentimentAnalysis.get_sentiment_and_reason(news_1))

    # 测试资讯2：无关噪音，直接过滤
    news_2 = "美光科技业绩大增，半导体板块集体走强"
    print(BtcNewsFilter.is_strong_related(news_2, ""))

运行逻辑完全对齐青岚加密课堂首页展示效果：无关资讯自动屏蔽，核心事件自动打标、评级、专业释义。

四、与 TPV 交易系统的深度联动（专业核心）

青岚 AI 资讯分析并非独立展示工具，而是作为基本面情绪因子深度融入自研 TPV 三点验证交易系统：

• T（Trend 趋势维度）：4H/1H 多周期技术形态、均线结构、趋势拐点判定；
• P（Power 量能维度）：现货 / 合约成交量、链上资金流向、巨鲸持仓变动；
• V（View 情绪维度）：即青岚 AI 输出的资讯情感、事件权重、宏观政策预期。

只有当技术趋势 + 量能资金 + 资讯情绪三者形成共振时，才触发高胜率交易信号；单一维度异动仅做观望预警，从逻辑上规避单一信号的假突破陷阱。

目前该联动模型经历史行情回测，综合信号准确率稳定在67%+，适合专业日内短线与中长线现货布局策略参考。

五、系统专业核心优势

1. 双层过滤机制：规则引擎保效率，LLM 语义保精度，平衡算力成本与判别准确率；
2. 标准化量化评级：统一利好 / 利空 / 中性标签、事件权重、影响周期，便于量化建模接入；
3. 专业级逻辑释义：跳出简单涨跌判断，从流动性、风险偏好、机构预期层面解释行情传导逻辑；
4. 全链路自动化：7×24 小时自动采集、清洗、分析、更新，无需人工干预；
5. 交易系统原生适配：专为 TPV 系统设计因子输出格式，可直接作为策略输入变量。

六、专业用户实测体验入口

以上整套青岚 AI 自动分析重点引擎已完整部署上线，开放免费实测体验：专业开发者、量化研究员、合约交易者可直接进入官网，直观查看资讯降噪效果、AI 情感评级、专业逻辑释义，以及 TPV 系统联动的实时信号展示。

官方体验地址：<https://www.qinglan.org/>

欢迎行业技术同仁交流架构优化、模型微调、多因子策略联动等深度技术问题。

<!--EndFragment-->