期权的隐含波动率,对分析期权市场潜在风险,以及未来一段时间内期权市场的波动具有很强的参考价值和经济意义。波动率指数,反映投资者对未来的期权市场的波动预期,可以直观的反映期权市场的隐含波动率。2016年11月28日,上海证券交易所发布了首个中国波动率指数——中国波指。然而在2018年2月22日,中国波指停止发布。在此背景下,分析和预测期权隐含波动率具有很强的理论意义及现实意义。本文从行为金融学角度出发,将投资者情绪作为要考虑的非理性因素,探索投资者情绪如何影响期权隐含波动率。继而引入多种机器学习模型,将期权隐含波动率的波动问题转化为模式识别中的分类问题进行分析和预测。本文从两个角度构建投资者情绪指数,基于传统指标的投资者情绪指数和基于百度指数的投资者情绪指数。本文选取上证50ETF期权合约成交量、未平仓合约数、认股认购比三个指标,利用主成分分析的方法构建基于传统指标的投资者情绪指数。其次本文从东方财富网上证50ETF期权吧爬取帖子及评论内容,用文本挖掘的方法选取关键词,同样用主成分分析的方法合成这些关键词的百度指数,从而构建基于百度指数的投资者情绪指数。在构建好投资者情绪指数的基础上,本文在混合频率数据的视角下,通过构建日度、周度、月度三种不同频率的投资者情绪,采用MIDAS模型实证分析投资者情绪指数对期权隐含波动率的影响。结果表明,两种混频情绪对期权隐含波动率都存在显著的影响,基于传统指标的投资者情绪对期权隐含波动率呈反向的影响,基于百度指数的投资者情绪对期权隐含波动率呈正向的影响。与传统回归模型相比,MIDAS模型具有更强的解释能力。在验证了本文构造的两个投资者情绪指数是影响期权隐含波动率的重要因素后,本文继而纳入实际波动数据、历史波动数据、与波动相关的指标数据、期权市场数据和投资者情绪五个维度共26个特征作为期权隐含波动率的重要影响因素。以2015年6月8日至2018年2月14日的数据为研究基础,构建了包括Logistics、SVM、随机森林的集成机器学习算法,在已有情绪指数的基础上对期权隐含波动率的波动情况进行了预测。结果表明,基于机器学习集成算法的预测效果明显优于传统的GARCH模型,对期权隐含波动率出现大幅度变化的预测精确率高达80.35%,说明机器学习集成算法具有较好的预测能力。最后,基于本文的理论和实证研究,本文对投资者以及政府监管部门提出了相应的政策建议。