在金融市场中,金融新闻承担着传播和评价有关公司管理、高管言论、企业经营情况的任务,在市场中扮演着重要的作用,市场中的交易者在接收到金融新闻所传递的信息之后,会根据其自身的判断和观念形成对事件的认知,并依据这一认知采取相应的行动,因此,研究新闻情绪,特别是研究网络金融新闻舆情对于社会具有重大意义。现有的研究往往通过构建情绪词典或者依据词频提取语言特征,并采用机器学习模型提取情绪的方式来实现新闻舆情的识别与抽取,虽然这类方法的可解释性相对较强,但由于这类方法基于词袋模型的假设,忽略了词法和语法对于语句内容和情绪表达的影响,致使该类方法在识别情绪准确率上存在较大误差。而在深度学习自然语言处理模型中词的分布式表征方法和卷积、循环、Transformer神经网络的运用能够更好抽取和利用文本中的语义信息,在大量公开数据集上的研究表明,基于深度学习的情绪识别模型在准确率上要强于传统方法。BERT模型是基于预训练的神经网络模型,这一模型通过使用大量外部文本进行自监督预训练的方式为参数学习到良好的先验状态,从而能够在下游监督学习任务上产生较好的表现,而Gururangan（2020）则提出使用领域内外部文本在自监督预训练后再次进行预训练的方法,能够进一步提升BERT模型处理特定领域文本的能力。本文分析对比了各类模型在金融新闻舆情识别与抽取准确性上的差异并通过实验证明了在经过金融文本适应性预训练后,BERT具有较好的舆情识别能力;通过运用该模型在涉及个股的新闻进行舆情识别后构建金融新闻舆情指标,在2017年到2020年上半年的历史数据上回测并分析信息系数、分组回测表现并与中证500指数进行对比,发现基于BERT模型的金融新闻舆情指标对股票市场收益率具有较好的预测能力。为了研究对比各类模型金融新闻舆情抽取与识别的性能,本文通过人工标注和外部混合的方式获取一万三千条新闻舆情样本,将每条样本标注为积极、中性或消极中的一类,并分别使用基于传统机器学习的朴素贝叶斯模型、TF-IDF特征提取与逻辑回归模型和基于深度学习的Text CNN、Text RCNN、Attention LSTM等经典深度学习模型与基于预训练的BERT模型以及在金融文本上进行适应性预训练的BERT模型在上述样本上进行训练与测试,并通过准确率和F1两个评价指标评价模型的表现;通过对比基于机器学习模型、经典深度学习模型、未进行适应性预训练的BERT模型和使用外部金融文本进行适应性预训练的模型在上述样本上的表现,本文得到加入外部金融文本进行领域内适应性预训练的BERT模型在识别情绪的F1指标和准确率指标上表现超过其他模型的结论。为了计算个股在每日的金融新闻舆情指标,本文使用加入外部金融文本进行领域内适应性预训练的BERT模型对三百余万条涉及个股的金融新闻进行舆情识别,得到每条金融新闻在正面、中性、负面情绪上的概率分布,计算金融新闻情绪指标,并平均当日涉及个股的所有新闻情绪指标并在时间序列上取十四个自然日的简单平均,得到最终金融新闻舆情指标。为了研究基于BERT的金融新闻舆情指标对股票市场收益率的影响,本文采用信息系数及相关指标研究金融新闻舆情指标与其下一期收益率之间的相关性以及相关性的稳定程度;使用分组回测的方式,每期将新闻舆情指标取值不为空的股票分为五组分别持有并在下一期进行调仓,验证该指标对于个股收益率预测的单调性;使用金融新闻舆情指标对下一期收益率进行回归并验证该指标的预测能力,除此之外,还利用金融新闻舆情指标构建策略并在考虑冲击成本和交易成本的基础上进行回测;实证研究表明金融新闻舆情指标与下一期收益率之间相关性较强,而相对极端的金融新闻舆情能够对个股收益率具有较好的区分效果,回测结果显示,通过金融新闻舆情指标构建的策略显著优于持有中证500指数的基准,由此得出金融新闻舆情指标对个股下一期收益率具有较好的预测能力的结论。