随着网络的普及,股民越来越倾向于通过金融社交平台了解股市中的金融信息并在社交平台中发表对股市未来走势的看法,金融社交平台中的评论信息已经成为影响股民心理和行为的重要因素。因此对金融社交平台中股民的情感进行分析,可以反映出用户的观点和态度。股票评论不仅会影响大众股民的投资判断,而且在某种程度上还影响着个股以及大盘的走势。为了推动金融和证券市场的健康发展,对股票评论进行情感分类,量化投资者情绪,结合股市其他情绪代理指标,研究投资者情绪对大盘走势的影响。针对股民情绪指标测度的研究,以往学者主要运用间接股民情绪指标去量化股民情绪,缺乏结合具体股民的主观情感的研究。部分学者结合社交网络中能够体现股民主观情感的信息,但仅仅是利用情感词典进行量化股民情绪。由于股民主观情感的文本信息存在口语化、内容短小精炼等问题,使用情感词典进行情感分类无法充分考虑文本的语义,容易出现以偏概全的现象。针对以上金融社交网络的情感分类和股民情绪指数的构建中存在的问题,本文主要做了以下几个方面的工作:（1）本文利用Bi-LSTM（Bi-directional Long Short-Term Memory）模型,对金融社交平台中的评论文本进行情感分类,该模型能够综合考虑文本的语义特征,在前向LSTM和后向LSTM记忆网络融合的基础上,使用word2vec进行词向量转化,它能综合考虑词与词之间的影响,在进行情感分类时模型能够关注重点词汇,充分考虑文本语义。最后本文进行对比实验,实验结果表明Bi-LSTM情感分类模型优于CNN模型。（2）本文提出一种股民评论文本情绪值计算的方法,首先,根据一定规则计算每条评论文本的权重;其次,利用每条评论情感分类结果与对应权重相乘得到评论文本的情绪值;然后,将计算得到的文本情绪指标与间接股民情绪指标相结合构建股民情绪指数。实验结果表明,加入主观情绪指标构建的股民情绪指数,比单独使用间接股民情绪代理指标构建的股民情绪指数更贴近实际。（3）本文利用BP神经网络预测模型,验证加入股民情绪指数比不加入股民情绪指数预测结果更准确。