我国股票市场经过数十年的发展已日趋完善,同时与金融相关的数据也呈现出爆炸性增长的特点。股票价格受到众多因素的影响如股票历史交易信息、财经新闻、社交媒体评论,上市公司财务报告等。本文结合外部信息即财经新闻以及沪深300指数与股票历史交易信息,利用内部交易思想,基于长短时记忆网络(LSTM)模型构造股票价格与股票交易量定量关系,并求解在市场限制条件及均值-方差、均值-半方差效用下的最优交易量。本文主要工作内容如下:首先采用卷积神经网络(CNN)和半监督学习-虚拟对抗网络两种模型量化财经新闻从中提取信息,称为投资者情绪值。将投资者情绪值分为三类:积极、中性、消极。CNN是监督学习模型,基于CNN模型做文本分类提取投资者情绪值时,本文以与股票同时刻的涨跌作为财经资讯数据的标签。另外,我们人工标注少量财经资讯数据,基于半监督学习虚拟对抗网络充分利用未标注数据,结合标注数据与未标注数据得到文本分类模型,从而提取出投资者情绪值。接着,结合投资者情绪值,沪深300指数以及股票历史交易数据基于LSTM构造股票价格与股票交易量模型,得到当日交易量与股价的定量关系。然后调用价格与交易量模型,满足证券市场限制条件并且在均值-方差、均值-半方差效用下求解最优交易量。最后进行回测,计算各项风险指标。本文提出的策略中最优的结果与两种基准模型相比年化收益率分别提高了 6.56,4.35个百分点,夏普比率分别提高了 0.328,0.241个点,最大回撤率分别降低了 29.35,7.86个百分点,波动率分别降低了 13.23,8.51个百分点,由此可以看出本文提出的策略有效。