根据行为金融学的理论,个人投资者时间精力有限,只能关注有限信息并根据关注的信息做出投资决策。我国股票市场自然人投资者占比99.6%1,市场中的绝大部分投资者关注度有限,并非能充分处理市场信息的理性人。则在预测A股市场股价时需重视投资者关注的相关情况。因此,本文以上证50指数为研究对象,探究如何使用投资者关注度对股指的收盘价进行预测。首先,为了选择合适的投资者关注度的度量方式,本文选择研究中最常用的两类投资者关注度即综合平台（百度搜索引擎）投资者关注度与股票社区（东方财富股吧、雪球网）投资者关注度,从影响股价的角度对二者进行比较。将两类关注度变动与收益率建立向量自回归模型,分析模型估计结果、收益率的脉冲响应函数及方差分解的贡献率发现:虽然股票社区投资者关注度的变动领先于综合平台投资者关注度,但相较于股票社区投资者关注度,综合平台投资者关注度对收益率的影响更加显著、持续时间更长、贡献率更大。这些区别是两平台自身特性、用户覆盖度与我国市场特性共同作用导致的。因此本文选择综合平台投资者关注度引入收盘价预测模型中,以保证模型的预测性能。其次,将成分股投资者关注度降至适合加入模型的维度。由于全部成分股投资者关注度达89个变量,维数过高,全部引入模型中将增加运算成本并可能导致过拟合问题,因此对成分股数据进行降维处理。考虑到关注度数据天然具有非负约束,因此选择能够满足降维后变量取值仍非负这一要求的非负矩阵分解（NMF）进行降维。实证表明,使用NMF降维,能保证低维新分量的可解释性。将降维后的结果加入模型中,得到的预测误差小于未降维模型、使用主成分分析降维的模型及不加入投资者关注度的模型。综上可知,对于有非负约束的高维数值型数据使用NMF方法进行降维是较为合理的选择。再次,构建新结构的股价预测组合模型并对使用降维后的数据对其进行评价。长短期记忆神经网络（Long Short Term Memory,LSTM）对非线性问题适用性强、可处理的数据量级大且能兼顾长期记忆和短期记忆性,能充分把握时间序列的特征。因此选择LSTM模型作为基础预测模型。为了进一步提高模型的预测性能,本文提出了一种新的组合模型结构,即单变量预测模型、多变量预测模型并行的组合结构,根据结构搭建了LSTM＆NMF-LSTM模型。与单一神经网络模型、机器学习模型及其他结构的组合模型相比,LSTM＆NMF-LSTM模型的平均绝对误差、平均绝对百分比误差、均方误差三个误差指标均最小,证明其模型预测性能最优。除此以外,本文讨论了组合模型结构对模型预测性能的影响。改变模型的LSTM循环体堆叠层数,发现由于日维度的股指收盘价预测数据量级较小,设置单层LSTM循环体即可满足预测需求。改变模型的时间窗口长度,发现时间窗口长度设为4时,模型的预测效果最好。本文创新性地比较了综合平台投资者关注度和股票社区投资者关注度两类最常用的互联网投资者关注度对股价的影响情况,为后续的股价预测提供依据。其次,本文创新性地将图像数据的降维方法NMF引入到数值型数据中,证明了NMF方法在高维非负数值型数据上的应用合理性。本文还提出了一种新的单变量预测与多变量预测并联的组合模型结构,并使用数据证明了该结构相比于其他结构的在预测精度上的提升。本文的研究有助于明确不同平台投资者关注间的区别与联系,为股价预测、变动研究等提供依据,进而有助于个体投资者进行可靠决策,有助于政府和金融监管机构正确把握投资者行为,提前调控避免投资者非理性决策造成市场剧烈波动,使金融市场的支撑作用得到充分发挥。