互联网的发展和移动客户端的普及拓宽了投资者获取信息的渠道，影响了股票市场的运行模式。行为经济学的研究让人们意识到投资者情绪对股票市场的影响不容忽视。在此背景下，本文充分考虑股票市场复杂性、非线性等特征，引入微信文本数据，并通过文本情感分类来获取机构投资者情绪代理指标，充分利用股指波动率的历史信息，建立基于改进粒子群算法的深度学习组合模型以获得可信度更高的预测结果。
　　本文首先阐述了课题的研究背景、意义以及创新点。其次对国内外投资者情绪量化方式、已实现波动率预测方法以及深度学习算法等相关研究进行了综述和分析，从定性的角度说明了投资者情绪代理指标与股票市场之间的内在联系，说明了证券机构微信公众号推文作为机构投资者情绪代理指标的有效性和可行性。通过对比分析以往常用波动率预测模型，选用能够更加体现出波动率长记忆性、非线性和复杂性的长短期记忆神经网络作为本文的基础模型。在此基础上，结合卷积神经网络和长短期记忆神经网络的优势，构建一个能够解决非线性、长记忆性以及特征筛选问题的新型深度学习组合波动率预测模型，并给出了模型结构以及求解过程，同时利用改进的粒子群算法进行最优超参数组合的选取，进一步提升模型对不同自变量数据集的适应能力。
　　本文通过编写网络爬虫脚本获取微信文本数据，并基于文本情感分类技术将非结构化的微信文本数据向结构化数据的转换。综合考虑机构投资者情绪指标、基础行情指标以及技术指标对股指波动率的影响，构建多因素影响指标体系。通过预测上证指数已实现波动率进行实证，并进行多组实验对比分析，研究结果表明：引入机构投资者情绪代理指标作为波动率影响因素是有效的，能够从一定程度上提升预测的准确性；本文构建的深度学习组合模型相较于单个深度学习模型有更高的准确性，并且经过粒子群优化后的组合模型对股指波动率预测具有更强的适应性，结果更优。