中国资本市场已发展了近三十年，相关制度基础建设不断完善、资本市场规模不断增大、资本市场的作用也日益提升，但仍然存在亟待改革的问题，其中投资者非理性行为是造成中国资本市场波动较大、风险较多、定价能力较弱的主要原因之一，而投资者作为直接参与市场的主体，如何优化投资者结构、提升投资者理性投资能力、减少投资者非理性行为，是一个紧迫而重要的研究课题。
　　中国散户投资者占比远高于机构投资者，导致中国股票市场受投资者情绪影响严重，市场波动较大。传统关于投资者情绪的研究集中于BW模型和噪声交易模型之上，但BW模型相关测量指标如封闭式基金折价率、IPO首日折价率等指标并不适用于中国市场环境。与此同时随着机器学习技术的发展，基于机器学习算法在信息降维和预测方面的成果涌现，但直接应用于投资者情绪理论的研究较少，本文通过引入摩根士丹利投资者情绪指标，利用系数加权法，主成分分析法，卡尔曼滤波算法进行对比，构建投资者情绪指数，然后用机器学习算法进行研究，得出情绪指数收益预测模型，构建出投资策略。该方法通过机器学习算法，提升了投资者情绪指数对市场收益率的预测能力，具有一定的创新性。
　　第一，基于本文所构建的投资者情绪指数本文发现首先投资者情绪对不同风格因子组合的影响存在差异。大盘股相较于中小盘股更不易受到投资者情绪的影响；投资者情绪放大了小盘股的收益率；在风险性方面，投资者乐观情绪的影响在不同风格因子组合中未体现明显的差异，但在投资者悲观情绪中，小盘股受到更大的影响，具有更大的收益率波动。
　　第二，投资者情绪指数在不同行业中表现存在显著差异。食品饮料行业在投资者情绪悲观时超额收益率表现较好，其次是家用电器，中国股票市场在投资者情绪悲观时存在资金避险效应；银行行业投资者情绪的周期性正相关系数最小，反映了中国股票市场银行行业作为大盘蓝筹股，受到投资者情绪影响较小；计算机和机械设备等制造行业普遍规模较小，容易受到投资者情绪的影响。
　　第三，卡尔曼滤波算法构建的投资者情绪指数效果优于主成分分析法和相关系数加权法构建的投资者情绪指数。投资者情绪指数指标的引入，有利于提升模型的预测精度，说明投资者情绪指数对指数预期收益具有一定的预测能力，五大预测模型中梯度增强模型具有最优的解释能力。基于梯度增强模型的指数收益预测模型，构建出多头策略和多空策略两大投资策略，通过实盘回测，两大投资策略均能获得较高的投资收益。