情绪会影响投资者的行为和决策，如今社交媒体快速发展，人们越来越习惯在社交平台上表达自己的观点，充分利用这些社交平台上的大数据，可以探索投资者情绪与股票市场走势间的相关关系。　　本文使用Python语言，抓取了与股票相关用户在2016年1月至2016年6月的所有微博文本，使用Python的jieba分词模块的精确模式对文本进行分词、去停词、构建意群向量解析每一条文本，其后采用基于情感词典的方法对各意群中的词语进行匹配，同时对各类副词和否定词进行权重赋值来计算情感，得到每条文本的情感向量，同时考虑到中文情感表达的多样性，对情感向量进行了多维度的整合计算，得到代表投资者情绪的情感指标。在得到各条文本的情感向量后，充分考虑各文本在社交平台上的影响力和共鸣度，利用点赞数进行加权，得到投资者的日序列数据可用来进行下一步的研究。　　为验证这一情感计算方法的合理性并探索微博投资者情绪与股市的相关关系，本文对情感指数及沪深300指数建立向量自回归（VAR）模型，发现两序列互为因果关系，情绪对收益率有正向影响，脉冲响应分析结果表明，收益率的波动会在当期就开始影响投资者情绪，在第二期达到最大，且持续周期较长，而投资者情绪对沪深300指数的影响存在一定的滞后，从第二期开始，至第三期达到最多，之后逐渐收敛至0。方差分解结果表明，投资者情绪虽然与收益率存在一定的相关关系，但这种关系并不强，因为 VAR模型表现的是线性关系，为了确定这一投资者情绪的实用性，进一步探索投资者情绪与收益率序列的非线性关系，及投资者情绪对股指涨跌的预测作用。　　经过前文的探索研究后，本文确定了投资者情绪与股市的相关关系，然而其线性关系并不强，因此建立基于径向核函数的支持向量机模型以探索投资者情绪的滞后期对沪深300指数涨跌的预测效果，研究中发现加入投资者情绪使得单一的支持向量机模型效果更加稳定，其误差偏离0.5，因此使用AdaBoost算法对加入了情绪指标的SVM模型进行集成，另一方面，仅用收益率本身滞后期作为变量的基函数在使用集成算法后，其预测准确率有所下降，这些结果表明集成模型对单一模型有一定的提升效果，从另一方面论证了加入情感指数的单一模型并未存在过拟合的问题，且效果较好。　　因此，通过一系列的实证研究表明，利用新浪微博这一大社交平台获取大量投资者行为数据，并辅以文本挖掘、情感分析等技术，可获得与股市相关的投资者情绪，进一步利用向量自回归和支持向量机等模型对投资者情绪指标的实践应用进行了研究，发现投资者情绪与股市存在一定的相关性。