本文运用自然语言处理和深度学习模型两种前沿技术,研究了舆情信息对证券价格预测模型的预测效果是否有提升作用。研究主要使用了自然语言处理技术中构建情感倾向分析词典的方法,对财经新闻和证券公司的研究报告作出较为准确的情感信息抽取和情感评判;深度学习模型选择了递归神经网络(RNN)作为本文研究中应用的基础模型。本文主要通过六个章节对研究的内容进行了系统的阐述。第一章主要介绍了此次研究的研究背景、研究意义和研究方法,并在其中提出了本文的创新点。第二章将之前研究者的文献进行综述,重点把舆情对证券价格影响的研究和基于人工智能的证券价格预测研究的内容进行了综述,以此来借鉴并改进研究的方法。第三章介绍了本文研究中应用的基础理论,详细阐述了本文选取的自然语言处理技术中的方法和深度学习模型中的模型。第四章展示了整个研究模型构建的过程,首先在选择的深度学习模型中递归神经网络(RNN)模型大类的基础上,进一步选择了更适合用于证券价格研究的长短期记忆网络(LSTM)模型,接下来说明了研究对象的选取、数据的准备过程并对数据的特征进行了描述,然后说明了情感倾向分析词典的编制方法及过程,又说明了评价最终模型结果的指标设计的方法,并详细给出了计算的公式。第五章展示了研究中常规证券价格预测模型和基于深度学习模型的证券价格预测模型两类实验最终的结果,并将两种模型的实验结果进行了对比。第六章对本文的研究进行了总结,并展望了该领域未来的研究方向。本文的研究使用了我国A股市场上证指数中具有代表性的18只成分股2015到2017三年内的行情数据进行实验,数据包含:证券的行情数据、财务数据、舆情数据。舆情数据区别于一般的研究,使用了证券公司的投资研究报告文本和媒体门户的相关财经新闻文本数据。研究通过把未加入舆情影响因素的证券价格预测模型的预测能力与加入舆情影响因素的证券价格预测模型的预测能力进行对比,分析了舆情因素对证券价格预测模型预测效果的提升是否显著。为体现舆情信息在短期和长期中的作用,本研究选择了递归神经网络(RNN)中的长短期记忆网络(LSTM)模型作为研究中使用的深度学习模型。研究中构建了均方误差(MSE)指标和预测方向的准确率(DS)指标评价训练出的深度学习模型的性能,并以此来对比常规证券价格预测模型和基于深度学习模型的证券价格预测模型的结果。本研究的最终结果充分说明了舆情信息的加入对证券价格预测模型的预测效果有一定的提升作用。研究中提出的基于深度学习模型的证券价格预测模型充分考虑到了影响证券价格的舆情因素,利用该模型对实际应用中证券价格的预测将起到一定的作用。