随着互联网信息技术的蓬勃发展,财经新闻文本数据海量增长,这些不断丰富的网络新闻信息逐渐成为影响市场波动的重要因素。股票是当下最为常见的一种投资方式,然而股票投资在获得高收益的同时往往伴随着高风险。因此,如何利用外界价值信息提高股票预测准确度,降低投资风险,成为了研究者们关注的焦点。基于以上背景,本文从文本大数据角度出发,对财经新闻文本信息进行分析,挖掘其中所包含的情感与情绪,构建衡量投资者情绪的指数,并将构建的指数应用于股票收益率预测研究。本文首先构建了适用于金融领域的财经新闻情感词典以及辅助词典;然后采用情感词典和定义语义规则权重的方法计算财经新闻的情感倾向,进而构建投资者情绪指数;同时考虑对情绪指数进行扩展,将由新闻文本量化而来的情绪指数与结构化的股票市场交易数据进行主成分分析,构造一个综合投资者情绪指数;最后将情绪指数应用于适合时间序列预测的神经网络LSTM模型中,丰富了文本大数据信息的应用。结合本文的主要工作内容,可以得出以下几点结论:第一,相比于通用型词典,本文构建的金融财经领域词典具有更好的稳定性,并且能够更准确地把握新闻文本特征;第二,相比于仅依据文本数据构建而来的投资者情绪指数,综合投资者情绪指数提升了对于情绪信息的度量精确度,能更全面地衡量外界情绪因素对股市收益率的影响;第三,加入了情绪指数的股票收益率模型具有更好的样本外预测能力,能更加准确地拟合收益率的变化。