作为国家经济的重要组成,股票市场的地位越来越突出、重要性越来越高,因此对其进行科学准确的预测是十分必要的。股票时间序列数据具有非平稳、非线性和高噪声的特点,利用传统方法进行预测效果并不显著,预测具有一定挑战性,但对此的研究却一直没有停止。随着当下机器学习、深度学习的发展,神经网络出现了良好的非线性逼近能力及自适应学习的特点,使得机器学习、深度学习成为了预测股票市场趋势的新研究方向。首先在深度学习中,长短期记忆神经网络采用“门”的方法实现对重要时序信息的记忆和遗忘功能,克服了循环神经网络出现的长期依赖问题,适用于预测时间序列数据,成为本文的首选模型。其次投资者作为股票市场不可缺少的参与者,通过提取投资者持有的情绪可以帮助预测股票市场未来的趋势,对股票市场的判断具有很大的参考价值。因此,本文的预测采用基于投资者情绪和文本情感分析的长短期记忆神经网络模型。通过对网络爬取到的每只股票的股吧帖子标题文本数据进行文本情感分析提取投资者情绪指数,结合爬取到的帖子阅读数量和评论数量以及百度指数共同作为投资者情绪数据。除此之外,数据部分还包括股票市场数据,结合了基本面、技术面、宏观面等,并加入收盘价经小波分解与重构的去噪序列,旨在涵盖多方面的信息,增加样本多样性,提供高质量的数据。对于具体的模型构建流程,在文本情感分析部分,选用多种词典,采取基于情感词典的文本情感极性分析方法构建投资者情绪指数。在深度学习模型部分,将投资者情绪指数结合所有预处理过的数据利用主成分分析得到初步特征,将得到的特征分别输入到MLP、LSTM、GRU、CNN-LSTM、MFCN-LSTM等模型中进行预测和比较,并在模型中进一步加入注意力机制探究是否能提升预测准确率,其中CNN-LSTM和MFCN-LSTM为加入卷积神经网络的长短期记忆神经网络模型,卷积神经网络的使用是为了达到特征提取的效果。本文对股票趋势进行预测即指预测股票涨还是跌,即有上涨还是下跌的趋势,为二分类问题,采取滑动窗口的方式预测下一天个股的涨跌趋势。通过对个股的研究发现,首先投资者情绪的加入有利于提升神经网络对股票未来趋势预测的准确率,为投资策略提供指导意见。其次LSTM模型及其变体GRU模型在股票时间序列的预测中要优于一般的神经网络模型MLP,且短时间内的预测比长时间更优。第三加入卷积神经网络对模型整体效果有所提高,卷积神经网络可以对特征信息进行有效提取,使得CNN-LSTM、MFCN-LSTM的预测准确率更高。最后,注意力机制的加入在一定程度上可以让神经网络模型从复杂的数据中关注到更重要的信息,达到对模型预测准确率的提升效果,但在已经加入卷积神经网络的LSTM模型中提升不明显。本文最终预测效果最优的模型为MFCN-LSTM模型,对多只个股进行预测的准确率平均值达到了61.11%。