近年、FinBERTなどの金融特化型言語モデルの発展により、公共のセンチメントを指標ベースに定量化することが可能になりましたが、多様な言語信号を単一のメトリックに圧縮することは、文脈の微妙さを見逃し、解釈可能性を制限します。この課題に対処するため、本研究では、SHAP（SHapley Additive Explanations）を使って影響の大きい特徴を特定するための説明可能なAI技術を導入します。しかし、SHAPは入力特徴が増えると計算コストが指数的に増加するため、大規模なテキストベースの金融データには実用的ではありません。そこで、本研究では、意味的に関連するキーワードグループの寄与を定量化するGroupSHAPを利用したGRUベースの予測フレームワークを提案し、計算負荷を大幅に削減しながら解釈可能性を保ちます。このアプローチを用いたS&P 500インデックスの予測結果は、MAEを32.2％、RMSEを40.5％削減することが示されており、ニュース駆動型の金融予測におけるGroupSHAPの初めての応用を示しています。