互联网上海量的金融文本数据(财经新闻,研究报告,股吧论坛等)蕴含着丰富的信息,而这些信息与很多财经事件或证券走势存在着密切的关系。如何让机器自动理解这些海量金融文本数据,给出有价值的信息,就成为一个很有价值的工作。选择合适的特征词集合(特征集)是金融文本理解的一个基础且不可逾越的环节。合适的特征集不仅要有好的分类能力,而且还要有好的稳定性,即对训练数据的低敏感性。本文首先根据金融文本理解的具体任务,初选一个较大的候选特征集。接着,应用SVM-RFE和随机森林特征选择算法从该候选特征集中选择特征,并分析其在稳定性方面的不足；然后,给出了一种基于训练样本摄动的组合特征选择算法,并比较了它与未组合的特征选择方法在特征选择的稳定性和分类性能上的优劣；实证结果显示基于组合的方法在取得了与未组合方法相近的分类准确率下,提高了特征子集的稳定性,且降低了分类准确率的标准差,表明了组合方法的有效性和优越性。此外,本文还对确定最优特征子集大小的方法进行研究,给出了一种基于训练准确率的特征子集大小确定算法。