La incertidumbre inherente y la asimetría de información en los mercados financieros crean desafíos significativos para la predicción precisa de precios. Aunque el análisis del sentimiento del inversor ha ganado terreno en investigaciones recientes, la dimensión temporal de la dinámica del sentimiento sigue siendo poco explorada. Este estudio desarrolla un marco novedoso que mejora la predicción de precios de acciones al integrar el sentimiento del inversor particionado por tiempo, al mismo tiempo que mejora la interpretabilidad del modelo a través del análisis de explicaciones aditivas de Shapley (SHAP). Empleando el modelo ERNIE (representación mejorada a través de la integración del conocimiento) 3.0 para la extracción de sentimiento del foro de acciones Eastmoney Guba de China, distinguimos cuantitativamente el sentimiento del inversor intradía y post-mercado y luego integramos estos componentes temporales con indicadores técnicos a través de una arquitectura de red neuronal. Nuestros resultados indican que la partición temporal del sentimiento reduce efectivamente la incertidumbre. La evidencia empírica demuestra que nuestro modelo de memoria a largo y corto plazo (LSTM) que integra indicadores de sentimiento intradía y post-mercado logra una mejor precisión en la predicción, y el análisis SHAP revela la importancia del sentimiento del inversor intradía y post-mercado para los modelos de predicción de precios de acciones. Implementar estrategias de trading cuantitativas basadas en estos conocimientos genera rendimientos anualizados significativamente mayores para acciones representativas con riesgo controlado, superando a los modelos que no consideran el sentimiento y a los modelos de sentimiento no temporal. Esta investigación proporciona innovaciones metodológicas para procesar datos no estructurados temporales en finanzas, mientras que el marco SHAP ofrece a reguladores e inversores información práctica sobre la dinámica del mercado impulsada por el sentimiento.