如何有效预测股票价格的未来走势一直都是社会各界关注的热点问题。传统计量经济学模型利用股票的历史价格序列来预测股价。如今的股票市场呈现出显著的复杂性和多变性,仅基于历史价格的研究已经无法满足我们的预测需求。随着互联网、大数据、人工智能等技术的不断发展与创新,当今社会正在加速向网络化、数字化、智慧化、高效化的新社会结构转型。金融市场拥有海量的数据资源为人工智能技术在金融行业蓬勃发展提供支撑,因此人工智能技术已经被广泛应用于金融领域。本文融合股吧评论数据和新闻标题数据中提取的投资者情绪特征,利用神经网络和机器学习模型预测股票价格的走势。银行板块在大盘指数中的权重占比最高,整体走势比较稳定,即使当市场出现系统性风险时相较其他板块而言银行板块表现出更强的抗风险性。考虑到工商银行为银行板块的龙头股具有一定代表性,股价波动较为平稳,且讨论度较高相关的评论和新闻数据量丰富,因此本文选择工商银行的日收盘价为研究对象。本文的研究工作主要是:（1）分别构建大机构投资者和个人投资者的情绪指标。首先,利用新闻标题数据构建与大机构投资者相关的官方情绪特征,其次通过爬虫获取的股吧评论数据构建非官方的情绪特征。（2）利用BERT预训练模型代替Word2Vec和GloVe等静态词向量模型对新闻标题数据和股吧评论数据进行情感分析。静态词向量模型中分词与向量之间是一一对应的关系,但不同语境下一个词可能表示不同的含义,而BERT预训练模型可以获取分词的上下文信息,融合上下文语境判断分词的含义,从而提高分类的准确率。本文情感分析结果显示,BERT预训练模型对新闻标题数据的分类效果要明显好于股吧评论数据。（3）基于LSTM模型、RNN模型、XGBoost模型和SVM模型对工商银行日收盘价进行建模与预测,设计不同的对比实验。实证结果表明:仅用股票基础交易数据预测股票价格走势具有一定局限性,在加入技术指标和情绪指标后,模型预测性能都有所提升,加入情绪指标对模型预测性能的提升更显著。在本文实验中,LSTM模型和RNN模型的预测效果要好于XGBoost与SVM模型,其中LSTM对工商银行股价走势的预测效果最好。