股票价格预测是投资者获取利益的重要前提,股票价格预测的精确度直接影响获利大小。近年来,基于神经网络的股票价格预测方法已成为主流预测方法和研究热点。已有研究显示考虑市场舆情因素进行股价预测具有更高的精确度。但是市场舆情数据收集困难程度高,对股价影响大的突发舆情发生频率低,难以满足神经网络训练所需的数据量。同时因为神经网络的黑匣子特性,学习到的数据特征和非线性关系不易理解,使得数据发生变化时难以动态选择预测精确度最高的神经网络。本文针对以上两点问题展开研究,具体研究内容如下:（1）为了减少市场舆情数据收集的收集量,提出了一种基于变异机制的金融社交舆情传播模型来预测舆情的发展。该方法打破了SIR模型一对一的转变规则,引入变异机提出了一对多的转变规则来描述社交平台用户的行为选择。在此基础上构建易感-评论-讨论-免疫模型（SCDR模型）来描述社交平台用户参与舆情传播的情况,通过各行为主体数量的变化来预测舆情的发展情况。本文使用拟真实验对比不同初始状态、不同传播参数下模型的变化,并使用股吧数据对模型进行验证。实验证明,该模型有效地刻画了舆情引起用户发表评论或进行讨论的情况,对舆情发展的描述详细准确,能有效预测舆情的发展。（2）为了在神经网络训练数据集不包含舆情信息的前提下,考虑突发舆情对股价带来的影响进行股价预测,提出了一种基于舆情扰动的股票预测方法。该方法将突发舆情对股价的影响看做是舆情对数据的扰动,使用Shapley值量化计算扰动对股价预测结果带来的偏移。当舆情对股价造成影响时,根据Shapley值和舆情发展情况计算舆情对数据带来的扰动大小,将扰动添加进原始数据来对数据进行优化,使用优化后的数据进行股票价格预测。通过对比不同神经网络模型数据优化前和数据优化后股票价格的预测结果,证明该方法能够有效提升股价预测精确度。（3）当数据发生变化时,为了动态地从不同的神经网络中选择精确度最高的神经网络,提出了一种基于数据变化扰动的股票价格预测方法。该方法将数据发生的变化看做是在原始数据上添加的扰动,通过计算扰动的Shapley值来衡量数据变化对预测结果造成的影响。当数据发生变化时,计算变化属性的Shapley值来构建基于区间模型的D-S证据理论基本概率指派函数。然后使用余弦相似度计算证据向量的相似度,利用香农熵计算基本概率指派函数的信息量,根据相似度和信息量对冲突基本概率指派函数进行加权。最后使用加权后的冲突基本概率指派函数进行融合得到最终结果,选取最优神经网络进行股票价格预测。实验结果证明相比于使用单一神经网络模型进行预测,该方法的预测精度更高。