金融市场通过收集社会闲散资金,帮助企业、政府获取资金,降低了融资成本,提高了社会发展效率。但金融市场波动也影响国民经济发展状况、人民生活水平变化、企业融资环境等多个方面。同时,随着市场波动与经济周期变化,也带来了金融危机、经济下行等负面影响。为了降低负面影响的作用,需要对金融市场进行监管与调节措施,这就需要对金融市场的运行状况与未来变化趋势进行预测。依据历史相似性原则,证券市场历史数据能够反映出市场变化模式,因此将金融特征数据根据时间标签整理成金融时间序列,能够有效地对金融指标进行预测。同时证券市场变化形势不仅受到国民经济趋势和企业经营状态的影响,也受到投资者的意愿与心理预期的影响,因此通过增加对文本分析的方法,提取投资者的情感指数,能够更加有效、全面地对证券市场趋势进行预测。本文基于长短期记忆(LSTM)神经网络建立金融时间序列预测模型,通过文本情感分析方法对证券市场情感特征进行量化,并通过情感与金融指数对未来证券市场指数进行预测,本文研究内容如下:(1)对文本情感分析方法进行了研究与实现。选择财经新闻作为情感特征指数的来源,根据金融相关文本的特点,选用了基于字典的情感分析方法,提取金融情感特征指数。针对通用文本情感分析词典不能够完全适用于金融情感分析领域,造成情感分析结果不准确的问题,本文添加了金融领域情感特征词,使包含有金融特征的文本情感分析结果更加精准,能够有效地与金融特征时间序列相结合。(2)分析并改进了情感时间序列的构建方法。针对每日多篇文本情感指数权重一致的问题,设计并实现了基于K最近邻(KNN)算法的文本相关性分析,将文本与金融领域相关性的值作为该文本的权重,文本情感指数与文本相关性相结合并进行标准化,得到当日情感指数,该方法有效地提高了情感时间序列的准确性,减少了不相关文本对情感时间序列的影响,提高了预测模型的准确性。(3)研究并实现了基于长短期记忆(LSTM)神经网络的金融时间序列预测模型。该预测模型能够保留长期记忆,并遗忘无用记忆。其不仅选用金融时间序列,而且添加了情感时间序列,考虑到了投资者情感波动对证券市场趋势以及预测结果的影响。经过与仅基于金融指数的LSTM神经网络、循环神经网络(RNN)和粒子群BP神经网络(PSO-BP)的对比实验分析,说明了该预测模型的结果更加精准。(4)因为证券市场不是孤立存在,会受到企业发展、相关政策、国内外形式变化等因素的影响,同时金融市场间也存在着相互交流,资本与信息在全球各国市场间自由流通,所以不同证券市场的金融指数间具有相关性。因此本文提出了一种改进的基于LSTM神经网络的预测模型,加入其他证券市场的金融指标时间序列,通过优化训练,能够提高对目标金融指数的预测精度。