🎵 PolyMusic: 音乐市场量化分析系统 - 独立开发文档

1. 项目定位

PolyMusic 是一个独立的量化分析系统，旨在通过聚合 流媒体实测数据 (Spotify/Apple Music)、社交媒体前置信号 (TikTok/YouTube) 和 行业动态 (Awards/Releases)，为音乐相关的预测市场提供精准的决策分析。

2. 核心架构设计

A. 数据采集层 (The Data Feed)

Spotify Scanner:
- 每日定时抓取 Global & US Top 200 榜单。
- 提取字段：Track Name, Artist, Daily Streams, Position, Previous Position.
Viral Tracker (前哨信号):
- 监控 TikTok 热门音频趋势图，追踪 BGM 使用量增幅 (Acceleration)。
- 监控 YouTube Trending 榜单。
Contextual Hub (行业动态):
- 重大活动日历：超级碗、格莱美、科切拉音乐节、主流艺人回归预热。

B. 分析引擎 (The Trend Engine)

Accumulation Solver (积分缺口分析):
- 专门针对“周榜”市场。根据当前已消耗的天数，计算出各候选人要反超第一名所需的每日平均流值及其标准差。
Decay Controller (热度半衰期计算):
- 为突发热点（如夺金表演、空降 MV）建立衰减曲线记录。判断当前的高流值是“单日冲击”还是“长期阶跃”。
Consensus Tracker:
- 对比 Kworb, Billboard 预测与 Polymarket 赔率的偏差 (MAE)。

C. AI 决策层 (Groq LLaMA 3.3 70B)

Prompt 逻辑框架:
- P0 (Event Trigger): 是否有头部艺人突然在 Instagram/Twitter 进行大规模预热或空降。
- P1 (Viral Drift): 该歌曲的传播是否已由于某个非音乐事件（体育、电影、社交媒体挑战）出现斜率阶跃。
- P2 (Consistency Check): 预测市场的价格波动是否与目前观察到的流值增长率相匹配。

3. 技术栈建议

Backend: Python 3.11+ (FastAPI)
Database: SQLite (存储每日流值与历史 MAE)
AI Engine: Groq SDK (LLaMA 3.3 70B)
Crawler: Requests / BeautifulSoup / Selenium (用于绕过部分动态频率限制)

4. 目录结构预览 (Independent Project)

PolyMusic/
├── src/
│   ├── data/            # 爬虫与数据采集
│   │   ├── spotify.py
│   │   ├── tiktok.py
│   │   └── billboard.py
│   ├── analysis/        # 核心算法
│   │   ├── accumulation.py
│   │   └── decay_model.py
│   └── ai/              # AI 决策管线
│       └── prompt_engine.py
├── data/                # 本地存储 (JSON/SQLite)
├── web/                 # 可视化面板 (类似于 PolyWeather Map)
├── bot_listener.py      # Telegram 交互入口
└── requirements.txt

5. 核心博弈指标 (KPIs)

Stream Gap (流值缺口)：反超所需最低日均流值。
Momentum Coefficient (动能系数)：流值增长的二阶导数。
Price Inaccuracy (定价误差)：Polymarket 赔率与量化结果的期望偏差。

6. 下一步动作

初始化项目结构。
优先攻克 Spotify 每日 Top 200 的数据持久化（通过爬虫或自动化工具）。
建立第一个周榜计算模型，并在本周五（3月6日结算日）进行实战对账。

Document created for independent project initialization on 2026-03-04

3.3 KiB Raw Blame History Unescape Escape