根据有效市场假说理论,股票市场价格是由所有可观测到的信息驱动的。投资者情绪会影响金融市场表现,因为投资者的羊群行为和投资者对金融信息的反应等因素,投资者的积极（消极）情绪往往做出乐观（悲观）的判断和决定。财经新闻专业性强,覆盖面广,其内容包括了国家的宏观经济方针,行业的经济政策,上市公司的发展状况以及企业内部管理等多方面信息。因而投资者可通过财经新闻获取信息做出决策从而对金融市场产生影响。近年来随着文本挖掘技术的不断发展,机器学习方法的广泛应用,我们从海量互联网数据中提取有效信息变得更加方便,传统研究中比较难以处理的非结构化文本数据可以得到更好地研究,以解决实际问题。自然语言处理中不断增强的文本表示能力使得计算机可以更准确地捕捉情感和语义。自然地,在金融舆情分析中引入自然语言处理的方法,将帮助决策者更高效的理解市场情绪,做出相应决策,缩短察觉时滞,从而获得更大的经济效益。本文通过研究相关领域国内外文献,发现目前的深度学习研究大多使用基于循环神经网络的算法来提取文本信息,这类算法的缺点第一是因为新闻文本较长,其处理长文本时效果不好,信息提取准确率不高;第二是难以并行处理大规模的文本信息,而且计算效率低;第三是机器学习和深度学习的神经网络模型缺乏一定的可解释性,不易于金融行业研究人员分析。本文通过大数据爬虫技术从东方财经网上获取了股票新闻,经过数据预处理构建了股票新闻数据集。然后提出了基于BERT的财经新闻情感信息量化分析方法,借助特定领域迁移学习的思想用有监督学习的方法将财经类的信息融入到词向量表征中,训练出财经新闻情感量化模型。结果表明此模型情感分类效果在AUC、准确率等评价指标中都超过了支持向量机和循环神经网络等传统方法。随后本文借助此模型对股票新闻数据集进行情感量化,进行财经新闻情感和股价的相关性分析,发现财经新闻情感与股票收盘价相关性显著。为了进一步探究财经新闻情感波动和股市收益率的因果关系,本文以山西汾酒股票数据作为研究对象,将新闻情感变化和对数收益率进行建模,构建向量自回归模型,对新闻情感变化和股价对数收益率的相互影响情况进行时间序列分析。实验结果显示财经新闻情感变化显著影响股票收益率,财经新闻情感对股票市场表现有预测作用。在股票预测结果中,借助VAR模型的回归参数预测方法比支持向量回归和长短期记忆网络算法的预测效果更好。