长期以来,股票市场收益率的预测及其可解释性解读都是研究的重点,股票市场的稳定运行可以促进经济体系的发展。从宏观层面看,股票市场反映了宏观经济的运行状况,如果股票市场波动可以被提前预测,监管部门可以及时做出相应的政策调整,促进市场的稳定,从而缓解或者避免系统性金融风险。从微观层面看,股票市场的预测精度及其解释力的提高,可以帮助投资者选择合适的投资策略,有效提升个人的资产收益率。本文重点关注宏观经济因素、投资者情绪指数对股票市场收益率预测的影响,围绕股票市场收益率预测影响因素及注意力机制的可解释性进行深入分析,主要包括三个问题。第一个问题是选择合适的投资者情绪构建方式。本文通过网络爬虫技术,获取东方财富网下上证50指数股吧的文本帖子,通过每条帖子的情感词分析获得反映投资者对上证50指数的情绪,最后通过衡量每日积极、消极情绪的差异与投资者所有情绪的比值,获得本文的投资者情绪指数。第二个问题是如何选择合适的股票市场收益率预测输入特征。本文在股票市场基本交易信息和技术指标、宏观经济特征和投资者情绪特征的特征池中,选择了包含股票市场基本交易数据和基于基本交易数据线性变换的技术指标的股票市场特征共27维,选取了7维宏观经济特征,以及构建的1维投资者情绪指数,作为初始特征;通过Light GBM算法进行特征筛选,获得重要度非0的9维变量,这9维变量中包含着股票市场特征、宏观经济特征和投资者情绪特征三种变量,验证了本文提出的宏观经济变量和投资者情绪对股票市场收益率预测的影响作用。第三个问题是上证50指数市场收益率预测模型的可解释性研究。本文通过自适应噪声的完全集成经验模态分解（CEEMDAN）将特征重构为高频分量、低频分量和趋势项,根据波动频率的不同,选择使用长短期记忆神经网络（LSTM）进行波动性强、复杂性高的高频分量预测,使用参数更少的门控循环神经网络（GRU）预测序列较为简单、波动性弱的低频分量;同时,引入注意力机制（Attention mechanism）,通过注意力机制赋予每个特征的权重,确定特征的重要度,在提升LSTM/GRU预测能力的同时提高模型的可解释性;注意力机制结果显示,乖离率和涨跌幅分别是高频分量和低频分量中重要度最高的特征,因此在实际投资中,短期投资者应该着重关注乖离率,长期投资者应重点关注涨跌幅指标,另外投资者情绪指标在长短期预测中均会产生较大的影响,相较于长期投资,宏观经济指标在短期投资中更为重要;最后本文将LSTM、GRU、Attention-LSTM和Attention-GRU作为基准模型,验证本文提出的模型的优越性,根据三种损失函数结果,本文提出的Attention-LSTM-GRU模型的预测性能最优。