股票选择是指从相同或不同的股票类别中选择股票集合的过程，是投资策略形成和风险管理模型发展的基础，其核心部分是评价股票价值的股票评分机制，从而选择价值最高的股票(即高潜在收益和低潜在风险的股票)，其重要部分是因子选择即输入变量的选择。现实中，股票的未来信息和投资者情绪都会影响股票收益的变化，进而影响股票选择。故本文在现有研究的基础上，从因子选择的角度出发，将股价预测得到的预期收益和投资者情绪纳入，从而提出一种基于股价预测和投资者情绪的混合选股模型，研究股价预测所得的预期收益和投资者情绪对于股票选择的影响，其研究内容主要包括以下几个方面：
　　第一，构建基于信噪比的模糊近似支持向量回归(FPSVR)的股价预测模型。首先考虑股价趋势中所含有的噪声信息对股价预测的影响，构造信噪比特征变量，将其纳入输入变量中；其次在原有的SVR模型的基础上，考虑两种不同预测误差对股价预测的影响，引入模糊隶属度和双边权重测量方法，构建FPSVR股价预测模型，最后借助沪深300成份股2008至2019年的股票时间序列数据，按照股市的波动情况将其分为三个阶段(牛市、熊市、震荡市)，建立三个基准模型进行对比分析，研究结果表明：1.与三个基准模型相比，本文所提出的股价预测模型的预测误差最低；2.与原有的SVR模型相比，FPSVR模型可以更好地对处于牛市和震荡市阶段的股票时间序列进行精准的股价预测。
　　第二，在股价预测的基础上，进一步构建考虑预期收益与投资者情绪指数的股票选择模型。首先引入根据第三章的股价预测模型，引入预期收益指标变量，并选取换手率、成交量、IPO数量、IPO首日收益率、消费者信心指数和新增A股开户数作为投资者情绪的代理变量，通过主成分分析法选取主成分构造投资者情绪指数，其次将预期收益、投资者情绪指数和相关财务分析指标作为股票选择的输入变量，并考虑原始的DE算法在面临混合离散连续变量问题的局限性，将sigmoid法引入，构建基于sigmoid的DE算法进行股票选择，最后以沪深300成份股2008年至2019年的股票时间序列数据为例进行实证分析，并建立基准模型、统计检验和投资组合等方面进行对比研究，研究结果表明本文所提出的模型的平均回报率(AR)和夏普比率(SR)要高于所有的基准模型，更有利于投资者的股票选择，从而表明所提模型的有效性。