如今,网络财经新闻已经成为众多投资者获取信息的主要来源。这些新闻直接或间接的影响着投资者的投资决策行为。如何测度新闻对于股票波动的影响已成为时下的研究热点。网络财经新闻以非结构化的文本形式存在,如何从中抽取出新闻特征?怎样利用新闻来预测波动率?这些问题无论是对于投资者还是市场监管者,都有着重要的意义。因此,有必要对其进行研究分析。为了探究个股新闻对波动率的影响,本文首先回顾了相关研究,针对股价波动率所具有的特点,将波动率的“厚尾”部分看作“异常大值”。同时,我们收集了近几年的金融新闻语料,并利用新词发现构建了对应的领域字典。在特征选择中,本文选取了文本证据权重、信息增益、卡方检验和期望交叉熵4种方法以寻找在异常波动下的股票新闻特征。针对现有波动率预测方法主要是对股票的历史时间序列进行分析的特点,提出以GARCH模型结果为基础,加入文本挖掘算法的基于新闻文本的异常波动预测模型。该模型接收GARCH模型的预测结果,以及特征选择后的文本特征,使用SVM、NN、XGBoost以及GBDT四种数据挖掘模型修正波动率预测值。为了最大限度地利用不同模型提取的信息,本文还引入Stacking方法构建了集成学习器,并进行了实证研究。实证结果表明,网络财经新闻会影响股票波动,不同特征选择方法所选出的新闻特征高度一致。同时,网络财经新闻对股票波动有一定的预测作用。与基准模型GARCH相比,添加新闻信息后,模型对于波动率的预测更加准确,误差明显减少。而使用Stacking技术的集成算法相较于其它算法,在同一测试集下也有更好的表现。