大量研究表明基于有效市场假说的传统金融理论并不能很好地解释股价暴涨暴跌等诸多市场异象,而行为金融理论的提出和发展为这一课题的深入研究提供了一个合理的和可行的方向。在行为金融理论的框架下,非理性的投资者情绪成为影响市场价格波动的关键因素之一。因此,如何从投资者情绪角度对市场进行预测是近年来众多研究者广泛关注的热点和难点话题,也是投资者、金融监管和政策调控部门所重点关注及丞待解决的重要问题。本研究从我国证券市场投资者情绪的角度出发,提出了一种结合极端梯度提升（XGBoost）、Bagging和带精英策略的非支配排序遗传算法（NSGA-Ⅱ）的集成方法用于上证综指和深证成指的方向预测和模拟交易。同时,本文对各个输入情绪特征变量在模型训练中的特征重要度进行了分析,并通过SHAP方法从单个特征和全局角度给出了情绪特征变量对模型结果的分类贡献。本研究主要有以下几个特点:首先,本研究综合考虑个人、机构和境外投资者的情绪因素来分别构建三类投资主体情绪指标,为我国证券市场投资者情绪研究与应用提供了新的研究视角。第二,通过情绪特征筛选剔除相关度高的冗余特征并提取重要度较高的情绪因子,以此作为训练模型的输入特征,从而提高模型的预测精度和训练速度。第三,选取预测性能较好的XGBoost算法作为基分类器分别构建上证指数和深证指数预测模型,同时通过Bagging方法对多个基分类器进行并行集成来克服XGBoost在训练过程中的过拟合问题。第四,运用NSGA-II方法对模型参数及交易参数进行优化,从而提高股指价格走势的预测精度。最后,通过模型特征分析提炼股指预测模型的决策逻辑以及关键情绪特征因子,有效加强了黑箱模型在预测问题中的可解释性。实验结果表明,本文所提出的XGBoost-Bagging-NSGA-Ⅱ方法在命中率、累积收益率、最大回撤率和夏普比率方面均取得了出色的表现,表明该方法在股指方向预测上有较高的准确性,同时也有效控制了交易风险,具有持续稳定的盈利能力。模型特征分析结果也表明随着境外投资者情绪对上证综指和深证成指方向预测的重要程度的降低,机构投资者情绪的重要程度逐渐上升,而个人投资者情绪的重要性始终处于较低水平。此外,SHAP方法的应用也很好的提高了预测模型的可解释性,为市场参与者识别影响股指价格走势的重要投资主体情绪、厘清模型决策规则提供了有效参考。综上所述,本文结合多种新兴的机器学习方法从投资者情绪视角构建股指方向预测模型,这为研究投资者情绪与证券市场预测之间的关系提供了一种新的思路,有助于促进机器学习与金融学科的交叉融合研究。同时,本文的研究成果对我国证券市场参与主体情绪如何影响证券市场价格走势提供了科学解释,也能帮助理解投资者情绪因素对市场价格波动的影响机理。在实际应用中,本研究为从事市场交易个人、机构等市场投资者未来的投资行为提供了决策支持,更加有助于其进行资产管理,也可以为市场的监管机构和政策制定者把控潜在市场风险开辟了一条新的研究方向,对于促进资本市场健康发展具有重要的理论与实践意义。