行为金融学理论的发展,为股票市场趋势预测提供了新的理论指导,成为传统理论的一个良好补充。本文借鉴了有效市场假说,投资者行为有限关注、情绪周期和过度反应等行为投资理论,探索开展利用互联网投资者情绪数据和市场情绪数据相结合的股票市场趋势预测研究。首先,本文按时间顺序,利用数据挖掘方法采集了互联网权威的专业股票网站股吧论坛的文本资料。为了保证从非结构化文本资料提取数据的质量,本文使用基于点互信息算法的SO-PMI算法对常规文本分词辞典进行了扩充。其次,使用提取的情感数据,与传统研究使用的市场投资者情绪代理指标相结合,利用统计方法构建复合情绪指标。通过对常用的构建复合情绪指标统计方法的效果比较发现,使用偏最小二乘法构建的复合情绪指数优势显著。第三,为寻找适合我国股票市场趋势预测的最佳模型,我们系统考察了目前流行的主要模型方法。在比较的基础上,确定了构建融合复合情绪指标的长短期记忆网络(LSTM)模型为选择模型。为了证明LSTM模型的有效性,我们实证对比了LSTM与逻辑回归模型、支持向量机模型、BP神经网络、循环神经网络等,在不包含情绪指标,包含市场或网络某种单一指标,以及包含本文提出的复合情绪指标等多种情况下,模型预测结果的准确性。结果表明:所有模型加入复合情绪指数后都提高了预测能力,加入复合情绪指标的LSTM模型在预测准确性方面优势显著。更进一步,针对不同市场状态对模型的检验结果表明,本文构建的复合指数能快速反映不同市态下投资者情绪的变化。我国投资者在不同市态下情绪反应存在显著差异。牛市时情感预期表现积极,在短期会迅速推高股票价格。而在牛市中期,投资者情感表现相对平稳,对市场影响不如短期强烈。在熊市阶段,投资者情绪短期存在反应滞后,而在中期会出现情绪放大效应,即熊市中投资者的悲观情绪持续时间更长。这一结果验证了行为投资理论所说的情绪周期和过度反应在我国市场的存在。本文的主要贡献在于:使用先进的技术方法对研究领域分词词典进行了扩充;有效利用网络资源挖掘了反映投资者情绪的数据资料,构建了基于网络情绪指标和市场情绪指标的复合情绪指标,利用复合指标建立的LSTM模型被证明更具有效性,从而推进了本领域的方法研究。使用本文建立的模型,验证了行为投资学关于情绪周期和过度反应理论在我国股票市场的存在性。