帆站在屏幕侧方，目光紧锁波形变化。
三分钟后，该交易员起身离开座位，五分钟后，其所在机构账户下达一笔大规模减持指令，涉及三只热门科技股。
“匹配成功。”李航调出统计模型，“过去七十二小时内，类似组合特征共出现十九次，其中十七次在三分钟内触发卖出操作，准确率89.7%。”
房间里安静了一瞬。
“这不是预测。”周婷轻声说，“是读取。”
陈帆没有回应。他调出另一组历史数据，将去年三季度某次突发抛售事件中的交易员影像重新输入系统。几分钟后，结果返回：在官方公告发布前十二分钟，已有六名关键岗位人员表现出相同生理信号集群。
“信息差不在消息本身。”他说，“而在身体反应。”
李航立即着手优化数据流架构。原始信号维度极高，若按常规方式传输，带宽压力过大。他启用脉冲神经网络进行特征蒸馏，将原始视频流压缩为一组动态参数向量，保留关键神经响应轨迹，同时把数据占用降至原来的十五分之一。
“可以实时跑了。”他确认资源占用率，“只要视频源不断，系统就能持续输出情绪指数。”
周婷则构建双通道验证机制。她将情绪信号输出与资金流向、舆情热度进行交叉加权，设定只有当三项指标同步趋强且置信度超过90%，才生成可执行预警。
“避免误判。”她说，“毕竟人也会有偶然反应。”
陈帆点头，亲自设定最终阈值规则。系统界面新增一个独立模块，命名为“行为金融感知层”。一旦触发条件，主控屏将弹出闪烁提示，并自动锁定相关机构账户动向。
调试完成后的第十一分钟，第一幅全息情绪热力图在空中展开。
亚太区域的几大交易所坐标上，密集红点正在跳动。东京、首尔、上海，多个市场的情绪指数陡然攀升。其中三个光点尤为明亮，对应的正是此前多次预警的机构席位。
“抛售潮前置信号已确认。”系统语音提示，“预计集体行动窗口：十二分钟后。”
距离上次异常访问已过去两个小时。主控中心仍处于封闭状态，所有对外接口保持断开。服务器群组稳定运行，散热管道中蓝光流转不息。
“以前我们看成交额、看持仓结构、看新闻热度。”陈帆望着悬浮的热力图，声音低沉，“那些都是结果。而现在，我们看见了动机。”
周婷调出实时对比面板。左侧是传统风
本章未完，请点击下一页继续阅读！