随着互联网以及新媒体的迅猛发展,各类财经媒介信息在为投资者提供了海量和即时的信息供给的同时,也加剧了投资者有限理性。财经媒介信息通过互联网的信息传播影响投资者注意力分配,改变投资者对于投资目标的认知,媒介信息中所蕴涵的看涨看跌信号诱发投资者对于投资标的未来预期收益的信念,导致投资者在情绪驱动下对所关注的特定资产价格的过度交易,进而影响金融市场资产价格偏离理性价格。受限于技术处理手段,已有行为金融学研究主要基于词典的情感词简单抽取和频次统计方法或者传统的分类模型来刻画媒介信息所诱发的投资者情绪,以洞悉投资者有限关注和情绪信念形成的机制及其对金融市场资产价格的影响,对于投资者情绪的刻画相对粗糙。与此同时,情报学以及信息学科近些年对于金融市场的关注尚显不足。针对这一问题,围绕着互联网和新媒体时代财经媒介信息对于投资者过度交易行为及金融市场资产价格的影响,本研究在有关投资者有限理性（情绪与注意力）、投资者过度交易行为偏倚、媒介信息效应等的理论分析以及金融学有关投资者情绪指标构建、情报学和信息科学有关文本情感分析、深度学习等的方法梳理基础上,融合情报学和行为金融学视角,依循“财经媒介信息→投资者对资产价格看涨看跌的情绪信念+投资者注意力配置中的有限关注→投资者过度交易→金融市场资产价格偏误”的逻辑路径,重点从方法途径以及实证分析两个层面展开。（1）方法层面,研究重点探索了目标依赖的细粒度媒介信息情感分析途径。首先,针对基本Word2Vec所构建的词嵌入空间无法有效区分和跟踪不同资产实体目标以及无法有效识别情感词的效价矢量问题,引入任务驱动的词向量构建模型,通过人工构建的个股实体关键词词典和金融情感词词典,构建领域驱动的监督信号,进行个股实体词嵌入和金融情感词嵌入的词向量模型的联合训练,生成满足后续情感分析需要的词嵌入模型。进一步,将基于“刻面”依赖的情感分析引申为个体资产（个股）目标依赖的情感分析,通过递归实体网络（Ent Net）改造长短记忆模型（LSTM）,构建动态实体追踪链的多目标情感分析模型。研究对任务驱动的词向量构建模型与基本Word2Vec、目标依赖的情感分析模型与已有深度学习方法（CNN以及LSTM等）进行了系列实验比对分析,对目标依赖的情感分析模型进行了参数优化实验。实验结果表明,任务驱动的联合词向量模型较之于基本Word2Vec、实体追踪的多目标情感分析模型相比于CNN或者LSTM等基本深度学习方法,有着更优的多目标情感识别能力。（2）实证层面,研究重点检验财经媒介信息对于投资者行为及金融市场资产价格的关联影响作用。具体地,以中国A股市场为例,采集财经媒介信息和个股资产价格数据,基于个股目标情感分析的计算结果,得到个股情绪指数以及社交调整的情绪指数,作为实证模型的解释变量,结合金融学对于投资者过度交易行为的测度,构建即时过度交易指标（个股异常换手率）、较长期的持续性过度反应指标,将其与价格收益指标一起作为实证模型的被解释变量,构建自回归分布滞后模型。在此基础上,首先通过格兰杰因果关系检验初步考察解释变量与被解释变量的关系,对通过格兰杰因果关系检验的假设作进一步的相关性分析和回归分析,对个股情绪指数与投资者过度交易行为的关联影响进行实证分析。实证结果表明:（1）个股的价格变化、收益率以及超基准回报率与财经媒介信息所蕴含或者诱发的投资者情绪正向相关。特别地,消极情绪的正向影响主要体现于短期,更长期上市场出现反转效应。（2）投资者短期过度交易行为（个股异常换手率）与财经媒介信息所蕴含或者诱发的投资者情绪正向相关。（3）相比于利好信息而言,利空信息会在传播过程中被更大地渲染,投资者更容易受到负面信息的影响而表现为持续性过度反应。（4）财经媒介信息中所蕴含的投资者情绪对于投资者行为和市场价格的影响,受到投资者对于信息的有限关注的调节。具体地,媒介信息的情绪指数经过社交乘数调整后,与投资者过度交易行为指标的相关程度进一步增大。研究为从媒介信息效应视角研究投资者过度交易行为及其对金融市场资产价格的偏倚性影响提供了方法手段参考和补充实证证据,亦可为从市场参与主体和信息的有效传播角度进行市场治理和监管以及维护市场稳定提供决策依据。