2008年金融海啸发生后，金融风险问题开始日渐引起管理机构及学者的重视。近年来，随着社交网络的飞速发展，突发性金融信息会在短时间内迅速传递至每一个用户，而用户会多渠道、多次转发相同信息，更会加剧突发事件所蕴含金融风险的影响。突发事件在短时间内即会对相关金融资产价格造成较强扰动，因此迫切需要研究面向突发事件的金融风险预测方法。然而，传统方法在突发事件发生的情况下并不能有效的预测突发事件带来的金融风险。原因在于传统的方法如宏观模型法、时间序列等方法仅针对金融资产价格变化，或其基本面影响因子进行预测研究，而这些方法已经被证明在突发事件带来的强扰动下是无效的。因此，需要研究能够快速提炼突发事件所蕴含风险的建模方法。已有研究表明，金融文本信息与股票价格变化存在关联关系，在此基础上，本文提出通过学习突发事件的主题的分布与股票风险变化之间的关联关系，来对股票风险进行预测。本文的主要研究工作包括：首先，针对突发新闻与股票对应关系的缺失问题，本文采用基于高斯分布对突发新闻与股票异常波动的共现关系进行过滤，从而识别突发事件与股票的多对多关系；其次，针对突发事件所蕴含金融风险的估值量化问题，本文首先使用无监督的主题聚类模型，对风险主题事件进行聚类，利用事件与股票的多对多关系，建立随机游走模型，识别并量化主题事件对应的股票金融风险；最后，针对主题聚类模型未能考虑股票价格变化对模型的反馈影响问题，本文提出建立有监督的主题聚类模型，模型学习时同时考虑股票价格变化及新闻主题分布的耦合关系，最后利用训练好的模型来估计股票的金融风险。实验结果表明在突发事件发生的情况下，通过本文所提出的两种主题聚类的方法对股票的金融风险进行预测时，能够较传统方法获得更为准确的预测结果。