股市危机的预警一直是学术界和业界共同关注的热点话题。随着全球经济的一体化和金融市场的自由化趋势,国与国之间经济危机的传染性进一步增强。此外,当今国内外经济形势错综复杂,我国面临的经济下行压力加大。股市危机一旦发生,将会对社会造成巨大的损失。因此,面对严峻的国内环境以及复杂的国际环境,对我国股市危机的预警和应对就显得尤为突出。本文基于行为金融学的视角,在传统的股市危机模型中引入基于网络信息的投资者关注、投资者情绪、社会互动等衡量投资者心理的变量,运用基于粒子群优化算法的BP神经网络模型,构建基于网络信息文本挖掘的股市危机预警模型,检验其是否具备更强的危机预警效果。首先,本文构建了股市危机信号变量,根据股市下跌幅度将因变量分为绿灯、红灯、橙灯、黄灯、蓝灯五类,分别用0,1,2,3,4来代替。接着,根据理论分析和文献综述,借鉴前人的研究,构建了宏观经济、金融市场、信心指数以及网络信息四个方面的指标。特别的是,本文运用文本挖掘技术分析海量大数据,基于网络信息构建了投资者关注、投资者情绪、社会互动等行为金融指标,加入到传统的股市危机模型中。最后,本文搭建了四个股市危机预警模型。通过模型的比较分析,我们得出以下结论:(1)相对于BP神经网络,基于粒子群算法优化的BP神经网络模型的预警效果得到了很大的改进;(2)网络信息指标明显提升了股市危机预警模型的预警效果;(3)相比于其他机器学习模型,基于网络信息文本挖掘、采用PSO-BP神经网络算法的股市危机预警模型具备更强的危机预警能力,危机月预警准确率高达80%,非危机月预警准确率高达100%,总体样本的预警准确率高达96.3%。