近年来,随着网络技术和互联网金融的发展,金融市场的信息传播变得更加方便快捷。在此背景下,投资者对信息的需求也在不断增加。为了更有效地提供投资策略,越来越多的学者开始关注网络投资者情绪在金融市场中的重要影响。一个最新趋势是使用文本挖掘和深度学习技术来分析网络金融评论和新闻文章的情绪,以更好地了解市场的情绪和投资者的一般情绪,帮助投资者做出最优交易决策。本文从数据挖掘的角度出发,采用Python编程获取网络平台中股民的发帖信息,构建BERT-Bi LSTM架构对金融文本语句情绪特征进行表征。其中,BERT预训练模型作为底层特征提取器,根据文本数据上下文的动态特征生成语义向量。然后将语义向量输入Bi LSTM神经网络中,以获取双向的语义依赖关系。然后,采用PCA主成分分析法完成复合投资者情绪指标的构建,此外通过相关性分析和Granger因果关系检验对投资者情绪与股票市场收益之间的动态关系进行研究。最后,使用ARIMAX模型对投资者情绪指标对预期收益进行调整,生成投资者的主观收益向量,应用到投资组合模型Black-Litterman模型中进行市场资产配置研究。研究结果显示,相对于使用LSTM、SVM等传统机器学习模型,基于BERTBi LSTM架构的情绪分类模型的预测准确率更高,可以更有效的识别金融文本所透露的感情色彩。此外,本文所构建的投资者情绪指数与股票收益率走势基本趋同,且在受到投资者情绪冲击时股票收益率会随着波动并在短期内趋于稳定。最后,以投资者情绪指数反映观点收益,应用至Black-Litterman投资组合模型中,资产配置效果有了显著提升,日均收益率和夏普比率均有明显提高。本文的创新之处:第一,将BERT模型与深度学习Bi LSTM模型相结合,对金融文本非结构化数据进行情绪分析,有效提高了金融文本情绪分类的准确率。第二,使用跨学科融合的方法构建投资者情绪指数,更直观全面地展示投资者的心理和行为。第三,在投资决策方面,用投资者情绪指标来调整投资者观点收益,与仅依赖历史数据进行预测的模型相比,此方法考虑投资者情绪因素,更能真实地反映投资者的心理预期。这种方法对Black-Litterman（BL）模型理论框架进行了扩展,提高资产配置效果。因此,将投资者情绪分析应用于投资策略研究,可以提高投资决策的准确性和效率,降低投资风险,同时增加投资组合的表现和风险管理能力,具有重要的研究价值。