伴随着我国互联网技术的飞速发展与金融市场机制的日益完善,网络舆情已经逐渐成为影响我国股票市场稳定的一个重要因素。而股票市场的舆情包括很多方面,比如股票市场上的波动,投资者的情绪变化和因股票市场的波动引起的公共讨论。此文章利用真实波幅均值指标来衡量股市的波动,借助知网和百度指数两大平台,通过建立股票市场的情感权重字典来量化舆情,进而构建舆情情感权重指数,以实现对真实波幅均值进行预测。如何准确的、无感情色彩的反映投资者的情绪是建立股票市场的情感权重字典的关键,除此之外字典中的关键词应与股市高度相关;同时,为了实现股票市场的动态监控,关键词需要保证定时更新、富于变化。具体步骤如下:(1)建立初始关键词词库:利用八爪鱼软件抓取CNKI近三年来一万多篇关于“股票市场”的文献题目,并借助Python软件中分词包(Jieba)进行分词工作,通过中文分词及过滤、词频分析三步建立基础词库;(2)关键词时差法筛选:设定因变量y为沪深300指数的真实波幅均值数据,自变量x是基础词库中某个关键字的TF-IDF值,利用SPSS软件计算基础词库中该关键字的百度指数日数据和沪深300真实波幅均值的日数据时间序列的时差相关系数,并从基础词库中借助时差分析法选择领先型关键词;(3)关键词重要性排序:利用随机森林算法对关键词的重要性进行排序,选出解释能力达到80%的关键词作为后续极性分析的关键词。然后进一步构建舆情情感权重指数,通过逻辑回归算法求出每个关键词的权重,对关键词进行情感极性分析,并对构建的情感权重指数与真实波幅均值进行相关性分析;通过实证研究验证当投资者对关键词关注度增多时,股价的波动性变大,即真实波幅均值变大,验证假设成立。最后,对沪深300下一交易日的真实波幅均值进行预测。将真实波幅均值和构建的情感权重指数作为输入,输入到循环神经网络中进行预测,并调整Lstm_size和max_epoch、num_layers三个参数进行优化分析。综上所述,该文章通过构建舆情情感权重字典、舆情情感权重指数来量化舆情,然后预测真实波幅均值指标,对构建股票指标预测模型以及深度神经网络在金融市场的应用提供一定的理论和实践意义。