金融市场是资金融通的场所,不仅操纵着资金的流入与流出,还掌控着国民经济的命脉。只有金融市场状况良好,经济才会处于平衡的状态,为经济发展提供相对稳定的环境。金融产品是金融市场得以发展和存在的基础,同时也是金融市场参与者的连接载体。股票是金融产品重要组成部分,正确把握其情感倾向,对于准确预测股票市场有重要价值。目前,传统情感分析技术主要基于情感词典和机器学习,且情感分析因素较为单一。本研究融合新闻资讯、股民评论、市场交易价格多源数据,结合行为金融学和有效市场假说,利用双阶段深度学习方法探究情感因素对股市波动影响。具体研究内容如下:本文首先提出一种基于卷积神经网络（Convolutional Neural Networks,CNN）的情感分析模型。为了避免单一文本数据无法有效捕捉股市波动趋势与股民情感倾向,论文将股民评论与金融新闻资讯作为文本数据源,经过数据清洗、完整性与标准化检验后,利用Word2vec将文本信息词向量化,以近期股民关注度较高的香雪制药、贵州茅台、白云山股票为例,输入CNN情感分析模型提取股民评论和金融新闻资讯的情感值。其次,论文提出基于多源数据情感分析的股票价格预测模型。将市场交易价格、财务报表结构化数据与CNN情感分析模型所获取情感值相结合作为双向长短时记忆网络（Bi-directional Long Short-Term Memory,Bi LSTM）的输入,引入注意力机制（Attention）使得模型在提取股票评论文本全局时序信息的同时,捕捉关键模式信息。实验结果显示,相比于仅使用单一股票指数,融合多源数据深度学习的金融产品价格预测模型平均绝对百分比误差降低5.99,结果表明股民评论、金融新闻资讯的情感因素对于股票价格预测能产生一定程度的影响。