股票市场作为资本市场的重要组成部分,体现着行业的发展状况和国家经济的运行情况,对股票市场股价波动情况的预测有助于建立风险防范机制,为中国A股市场的大量散户投资者的投资行为提供依据,并辅助相关机构做出重要的决策,维持经济金融市场的稳定发展。在金融领域,大量的机构会在平台上发布实时的国内国际新闻资讯,这些新闻文本能够充分影响投资人的投资决策,从而影响股票市场的走势。本研究使用自然语言处理领域的文本情感分析方法对新闻文本中蕴含的情感进行挖掘和分析,通过量化当前市场投资者的投资情绪,从而判断股票走势。由于公开的金融文本数据集较难获取,本文从Github中获取财经新闻情感分类数据集（称为WIND）,同时从“金融信息负面及主体判定”比赛中获取CCF2019数据集。研究使用BERT预训练模型在这两个带标签的金融领域文本上进行微调,得到适合金融领域情感分类任务的语言模型。另外,用知识蒸馏的方法将BERT模型蒸馏到轻量级网络Bi LSTM和Text CNN上进行对比实验。实验表明,蒸馏压缩后的模型效果均高于支持向量机,并可以解释原始BERT模型中90%以上的信息,效果较优。同时,实验发现本任务中BERT模型的特征提取能力已足够,效果超过了更复杂的ERINE和XLNet预训练模型。通过对比模型训练和验证的耗时,得出蒸馏后的模型推理速度更快,占用计算资源更少的结果。根据模型对比实验,我们使用在两个数据集上均表现良好的BERT模型作为预测模型,通过爬虫技术获取新浪财经实时新闻文本,得到新闻文本的情感倾向,并以此构建金融舆情因子。对上证指数收盘价进行实证分析,探究舆情因子和上证指数是否存在相关关系以及关系的强弱。以上证指数为主要变量,通过动态时间规整算法（DTW）计算其与舆情因子、百度搜索指数、百度资讯指数的DTW距离,实验发现本文构建的舆情因子和上证指数的DTW距离较小,证明了所构建的金融舆情因子在考虑时间提前和滞后的条件下,与上证指数的相关性较强,说明了此舆情因子的科学性和可解释性。