现在社会伴随着互联网的发展壮大,很多上市公司在各种媒体平台上发布大量的信息,大多数股票购买者一边对这些信息进行评论,一边制定投资策略。但是,大量的股民购买股票时并不是完全理性的,因为他们缺少可以获得真实信息的渠道,同时也没有掌握和投资相关的理论知识,更加容易受到市场情绪的影响。经研究表明,股票市场的交易频率在很大程度上会被市场情绪效应和股民不理智行为等各种因素影响。特别是各类突发事件所带来的市场不确定性会加深网民的恐慌,在这样的背景之下,传统的股票业务预测分析显然无法满足客户需求。近年来,很多研究人员发现网络舆情所映射出的市场情绪倾向与股票市场的交易频率两者之间有着相当强烈的相关性。而它内里的运作方式和网络舆情所映射出的市场情绪倾向分析方法是股票市场预测技术中需要深入分析和研究的关键问题。本研究的主要工作有以下三个部分:第一部分,本文利用中文文本分析技术对和讯股吧和东方财经的万科A股(sz000002)股票评论进行分析,仔细研究了基于机器学习的文本情感极性分析的学习模型。通过分词等方式处理过文本数据后,利用机器学习中的监督学习的思想,使用Word2vec模型训练特征向量,然后对训练学习的结果使用SVM算法将股评情绪分为积极和消极两类,实验结果显示情绪分类的准确率为88%。第二部分,得出情感分析的结果后,需要对分析结果进行量化,得出网络舆情值和使用评论数权重分级生成加权网络舆情值。第三部分,提出了一种基于网络舆情,加权网络舆情和股票技术指标的BP神经网络模型。通过预测收盘价,提高了股票价格和涨跌趋势的预测准确度。实证分析结果表明,基于网络舆情预测模型的均方误差(MSE)为0.38182404,趋势正确率(TAR)为80.34%,绝对误差(AE)为0.748,远比单纯基于股票技术指标的BP神经网络模型预测效果更加精准;而基于加权网络舆情值的BP神经网络预测模型,其他指标均不理想,但是走势准确率是最高的,高达85.60%。仿真结果表明加入了网络舆情和加权网络舆情的BP神经网络模型显著地提高了股价和股票涨跌的预测精度,是一种有效的预测股票价格和趋势的模型。