大数据时代下,海量的网络数据蕴含着消费者的各类行为习惯,这些数据能够实时反映出社会经济变化状况和消费者心理预期,如何从中提取出重要信息来对宏观经济现象分析是未来研究方向的一大热点。我国消费者信心指数存在着发布时间长、时效性低、指数覆盖面窄等问题。在此背景下,本文创新性地结合网络数据来研究预测消费者信心指数,为消费者信心指数的制定作出重要的补充。本文基于数据挖掘方法和网络搜索数据,建立消费者信心指数预测模型的分析框架,通过范围取词法取得40个网络搜索关键字,并使用时差分析法,筛选得到与消费者信心指数相关性强,并且领先于消费者信心指数变化的搜索关键字。由于消费者信心指数为月度数据,可用于训练的样本数据较少,直接建立模型容易存在着过拟合的问题。本文分别使用逐步回归分析、lasso算法、岭回归分析、主成分分析四种降维方法,对筛选得到的搜索关键字进行降维,并比较和分析不同降维方法的降维效果。在此基础上,使用支持向量机、决策树、GBDT三种数据挖掘方法对消费者信心指数进行预测。实证证明,筛选出的搜索关键字能够反映出消费者的消费行为习惯,模型预测与官方数据相比能够提早一个月,并且能够有效地预测出消费者信心指数变化的转折点。