经典金融学以有效性市场为假说,认为金融市场的价值始终等于其基本价值,但却无法解释现实生活中的“异象”,行为金融学强调市场投资者的认知与情绪会对其决策产生影响,从而引起资本市场价格波动。股市作为投资市场的重要组成部分,其指数变动也会受到投资者情绪的影响。有很多学者利用机器学习方法对与股市投资者相关的文本进行过情感挖掘,但鲜有人提及现实应用环境下由于文本噪声过多产生的不均衡文本分类问题。本文针对此问题采用序列生成对抗网络算法作为文本生成器,对不均衡的股民评论等数据集完成过采样工作,通过在随机森林分类器上进行分类比较得出,利用序列生成对抗网络算法进行文本过采样的方法要比传统的基于插值的SMOTE、Borderline-SMOTE、ADASYN等过采样方法有效,更适合用于不均衡文本分类任务。其次针对传统的卷积神经网络不能捕捉到语料中的长期的上下文关系以及非连续词之间的关系,本文将注意力机制引入到经典的短文本分类卷积神经网络模型,并通过实验证明改进结构的有效性。最后本文利用随机分形理论里的自适应分形分析(AFA),结合构建出的投资者情绪指数与股市对数收益率,对已经分出了情感倾向的股民评论进行情感分析,从而发现投资者情绪与股市对数收益率是高度正相关的,且投资者情绪具有长程相关性,可为后续制定合适的投资策略提供参考。