本書分為以下八章：
第一章，導論。主要介紹選題背景、研究的意義、研究的思路和方法、全書的結構安排以及主要創新點。
第二章，文獻綜述。主要對社會化媒體量化、市場情緒和社會化媒體對證券市場波動影響三個方面的理論和文獻進行了系統的回顧和梳理。本章為研究社會化媒體量化、剖析社會化媒體信息與證券市場波動的關係和防範系統性金融風險研究提供強有力的支持和論證。
第三章，系統總體設計。從系統總體設計的角度，自上向下對本書的邏輯模塊和流程進行概述，對系統的數據處理流程進行說明，明確證券市場社會化媒體效應智能解決方案中模塊之間的關係，理順系統從數據抓取到文本信息處理情感提取，再到利用深度學習神經網路對社會化媒體與證券市場波動的影響進行關聯分析的流程。確保系統模塊完整和研究順利推進。
第四章，社會化媒體量化與投資者情緒提取研究。首先對社會化媒體信息的抓取、過濾、預處理和詞彙量化過程進行了描述；隨後提出依據中文語句的語法和語義結構構建中文語句卷積神經網路（CSCNN）核心算法對文本情感極性進行判定；接著對情感判定模型進行了比較研究。
第五章，投資者情緒指數的構造。借鑑傳統指數構造原理，利用社會化媒體平台文本信息結構特點，創新性地提出基於內容相似度矩陣、引用關係矩陣和回復關係矩陣的社會化媒體文本語句權重SentenceRrak算法計算語句權重，結合用戶影響力因子、閱讀數量因子和點讚數量因子，構造了社會化媒體投資者情緒指數（SMISI），為後續研究提供了重要的特徵變量。
第六章，SMISI對證券市場波動的量化研究。通過實證研究，首先將SMISI與Fama五因子模型結合，驗證了SMISI對證券市場收益率的系統性影響；接著利用VAR模型研究SMISI對證券市場波動影響的深度和廣度。隨後提出基於社會化媒體情緒驅動的S－LSTM深度神經網路模型核心算法，更加準確地捕捉社會化媒體投資者情緒對證券市場的影響效應，並通過模擬的方式驗證了SMISI在量化投資中應用的可行性。
第七章，面向證券市場策略的SMQIP檢驗與分析。從市場監管者、上市公司和投資者三個不同的角度剖析了社會化媒體信息引導市場情緒，導致證券市場資產價格波動，甚至影響金融穩定的內在機理。並利用具體案例從以上三個角度分別驗證了基於大數據的證券市場社會化媒體效應量化智能平台（SMQIP）的應用可行性。
第八章，總結、不足與研究展望，對全書進行了總結，對研究中存在的不足進行了分析和反思，對於金融智能領域的研究熱點和方向以及未來可能進行的研究計劃進行了展望。
本書的主要創新點包括以下三個方面：
創新點一：提出了一個基於深度學習的公眾情緒文本挖掘方法，綜合考慮文本內容和質量的影響，以捕捉社會化媒體中的公眾情緒。
創新點二：基於社會化媒體大數據，研究和優化了證券市場情緒指數的構建方法。在研究社會化媒體信息量化及其對證券市場波動的影響中，發現社會化媒體信息不僅對個股存在顯著影響，股票板塊指數也同樣會對社會化媒體信息中的情緒傾向有所反應。
創新點三：集成情緒判定、文本賦權和情緒指數市場效應評估等核心算法，構建了情緒對證券市場波動的影響分析的系統原型。
第一章，導論。主要介紹選題背景、研究的意義、研究的思路和方法、全書的結構安排以及主要創新點。
第二章，文獻綜述。主要對社會化媒體量化、市場情緒和社會化媒體對證券市場波動影響三個方面的理論和文獻進行了系統的回顧和梳理。本章為研究社會化媒體量化、剖析社會化媒體信息與證券市場波動的關係和防範系統性金融風險研究提供強有力的支持和論證。
第三章，系統總體設計。從系統總體設計的角度，自上向下對本書的邏輯模塊和流程進行概述，對系統的數據處理流程進行說明，明確證券市場社會化媒體效應智能解決方案中模塊之間的關係，理順系統從數據抓取到文本信息處理情感提取，再到利用深度學習神經網路對社會化媒體與證券市場波動的影響進行關聯分析的流程。確保系統模塊完整和研究順利推進。
第四章，社會化媒體量化與投資者情緒提取研究。首先對社會化媒體信息的抓取、過濾、預處理和詞彙量化過程進行了描述；隨後提出依據中文語句的語法和語義結構構建中文語句卷積神經網路（CSCNN）核心算法對文本情感極性進行判定；接著對情感判定模型進行了比較研究。
第五章，投資者情緒指數的構造。借鑑傳統指數構造原理，利用社會化媒體平台文本信息結構特點，創新性地提出基於內容相似度矩陣、引用關係矩陣和回復關係矩陣的社會化媒體文本語句權重SentenceRrak算法計算語句權重，結合用戶影響力因子、閱讀數量因子和點讚數量因子，構造了社會化媒體投資者情緒指數（SMISI），為後續研究提供了重要的特徵變量。
第六章，SMISI對證券市場波動的量化研究。通過實證研究，首先將SMISI與Fama五因子模型結合，驗證了SMISI對證券市場收益率的系統性影響；接著利用VAR模型研究SMISI對證券市場波動影響的深度和廣度。隨後提出基於社會化媒體情緒驅動的S－LSTM深度神經網路模型核心算法，更加準確地捕捉社會化媒體投資者情緒對證券市場的影響效應，並通過模擬的方式驗證了SMISI在量化投資中應用的可行性。
第七章，面向證券市場策略的SMQIP檢驗與分析。從市場監管者、上市公司和投資者三個不同的角度剖析了社會化媒體信息引導市場情緒，導致證券市場資產價格波動，甚至影響金融穩定的內在機理。並利用具體案例從以上三個角度分別驗證了基於大數據的證券市場社會化媒體效應量化智能平台（SMQIP）的應用可行性。
第八章，總結、不足與研究展望，對全書進行了總結，對研究中存在的不足進行了分析和反思，對於金融智能領域的研究熱點和方向以及未來可能進行的研究計劃進行了展望。
本書的主要創新點包括以下三個方面：
創新點一：提出了一個基於深度學習的公眾情緒文本挖掘方法，綜合考慮文本內容和質量的影響，以捕捉社會化媒體中的公眾情緒。
創新點二：基於社會化媒體大數據，研究和優化了證券市場情緒指數的構建方法。在研究社會化媒體信息量化及其對證券市場波動的影響中，發現社會化媒體信息不僅對個股存在顯著影響，股票板塊指數也同樣會對社會化媒體信息中的情緒傾向有所反應。
創新點三：集成情緒判定、文本賦權和情緒指數市場效應評估等核心算法，構建了情緒對證券市場波動的影響分析的系統原型。
