股票市场的预测一直是数据研究热点,但是受到很多因素的影响,其预测难度较高。新闻是影响股价的重要因素,投资者也经常依赖新闻进行股票交易与决策,因此对新闻的剖析可以为投资者提供有效信息。新闻作为非结构性数据运用到股票预测中困难重重,而随着机器学习技术和自然语言分析技术的发展,使得该问题的解决成为了可能。目前国内外资本市场政策上的显著差异性导致越来越多的国内企业在国外上市,而关于中文新闻对中概股预测影响的研究却很少。行为金融学理论发现投资者的投资行为和交易决策容易受到新闻等文本的影响,因此对新闻文本进行极性分析有利于帮助投资者实时判断新闻表达的内容是积极还是消极的,并在极短的时间内做出相应的决策,快速抓住收益的机会并合理规避亏损的风险。股票价格趋势预测属于计算机科学与金融学的交叉学科,在机器学习预测能力日渐提升的情况下,本文通过借鉴两种领域不同的算法思想,使用财经新闻对股票价格趋势进行预测,主要工作如下:(1)在支持向量机的算法理论基础之上,实现自定义全自动机器打标签模型,增加关键短语权重,提出一种新的循环评估支持向量机模型,使用随机种子将语料集合随机分配生成不同的训练集合和验证集合,加入循环评估机制进行训练,在达到设定的预测精确率后退出循环得到最终训练结果,并使用样本外集合进行测试证明其合理性和有效性,从而改善在中概股方面新闻极性驱动对股票价格影响与预测的研究。同时,与卷积神经网络模型以及朴素贝叶斯模型进行预测性能、预测趋势、模拟交易等三方面的对比实验,论证了本文提出的循环评估支持向量机模型具有较为优秀的预测效果,能够帮助投资者识别新闻的极性并获得更高的投资收益。(2)利用卷积神经网络和长短期记忆网络能够提取文本特征的网络特性,同时考虑到卷积神经网络在特征提取方面的优越性以及长短期记忆网络在处理时序信息时的天然优势。而空洞卷积可以通过设置扩张率来扩大卷积操作过程中的感受野,从而避免常规卷积的池化操作导致信息丢失的现象,由此提出一种LSTM-Di CNN模型,分别与CNN、LSTM、CNN-LSTM、LSTM-CNN、Di CNN和Di CNN-LSTM六种模型进行对比试验。七种模型的输入层均后接词嵌入层,输入数据均为统一语料集合的财经新闻文本数据。词嵌入层使用Glo Ve处理生成词向量,通过间接引入外部训练数据防止过拟合,并且减少训练的参数个数来提高训练效率。使用自定义全自动机器打标签操作,运用交叉验证的思想将语料集合随机分配,七种模型就预测性能、模拟交易收益率、模拟交易多空收益率等三方面进行比较,验证了准确率最高、相应收益率最高的模型为LSTM-Di CNN模型。综上所述,本文就新闻极性对股票价格波动趋势的影响进行研究,通过机器学习和深度学习的算法进行基本面和技术面的融合分析。将所提算法应用到实际的交易策略中,且均取得了良好的实验效果。