当今社会,不管是从资金供给者、筹集者的角度来看,对股票的需求都日益增加。因此实现股票价格的预测对实现理财目标、稳定经济发展都十分重要。目前的经济下,股市中还存在着很多非理性因素,投资者对大盘的看法往往对股价走势产生影响。在这样的背景下,如何把投资者的情绪量化,并加入到股票行业的研究中,实现更为精准的股价涨跌预测,就具有非常重要的学术意义和现实意义。本文的最终目标是利用上证指数的一些技术指标数据以及股评实现股价涨跌预测。这一过程中最关键的一步就是把投资者情绪量化。网络上的各种评论都是文字类的,我们想转换成数值,首先要弄清这些评论文本所表达的情绪类别。因此,本文最主要的目的就是验证切片循环神经网络(SRNN)模型对股评文本的情绪分类效果,并用其对股评文本进行分类。首先,本文爬取东方财富网股吧上证指数吧中股民对上证指数走势的评论文本,先对这些文本数据进行预处理,然后选取一定比例人工对其进行标注,分为看涨、看跌和中性三个类别。然后利用SRNN模型和RNN模型对数据进行学习和分类。结果表明,从分类准确率上来看,SRNN模型的分类准确率为77.1%,RNN模型的分类准确率为76.12%,因此,SRNN略胜一筹。另外,从分类的时间上来看,当字符长度都为256时,SRNN模型最快用时57秒,而RNN模型需要258秒,因此,SRNN模型有绝对的速度优势,而且随着字符长度的增加,这种优势会越来越显著。其次,本文为了预测上证指数的涨跌,选取了很多的输入指标,主要包括两部分。第一部分是2015年8月到2020年8月间相关技术指标,并用主成分分析对其中的数值型指标进行了降维。第二部分是情绪指标。这里我们用训练好的SRNN模型和RNN模型对经预处理后的全部股评文本进行分类,并借鉴前人构建的情绪指标公式来分别计算每天的情绪指标数值。然后把情绪指标与技术指标相结合,利用Cat Boost模型对其进行分析和建模,结果表明,使用SRNN分类方法分类股评文本后构建的情绪指标对上证指数的涨跌有更好的预测效果,总体预测准确率为76.52%,比RNN的提高了0.99%,从而本文证明了选用SRNN模型来对股评文本进行分类的合理性及优势。最后,本文还考虑了不加入情绪指标,仅仅使用技术指标来对上证指数的涨跌进行预测。结果表明,不加入情绪指标时,Cat Boost模型的预测准确率为73.56%,相比加入SRNN分类结果下的情绪指标时要低2.96%。因此,本文证明了考虑投资者情绪对上证指数走势的影响,把情绪指标纳入预测中是十分有必要的。