现代市场经济快速发展的同时也伴随着较高的风险,而股票市场作为典型的高风险高收入代表之一,成为了投资者研究的重点对象,但如何将市场反应的各种因素用于股价的预测分析却成为了关键问题,于是本文主要针对融合微博情感分析后的几种股价预测模型做了以下研究:首先,对于模型输入的指标进行筛选,参考相关股票预测研究在股票指标上的选取,本文选取了40个指标作为初始指标,然后运用R聚类分析及指标与股价间的相关性进行再次筛选,并用主成分分析的方法进行降维得到五个主成分因子。其次,将通过爬虫技术获得的微博文本数据进行清洗,并选用具有较好情感倾向性分析的百度NPL中的API接口,搭建情感分析模型,将微博文本进行分析计算得到情感值SA_value,同时对微博情感分析与股价之间的因果性进行检验分析。最后,本文分别选用统计学方面、机器学习方面、深度学习方面的Logistic模型、SVM模型、LSTM模型,分别建立融合SA_value值后的股价预测模型SA-Logistic模型、SA-SVM模型、SA-LSTM模型进行预测分析。本文的实证对象为上证50中的所占比权重较高且不同行业的两支股票:中国平安(601318)和贵州茅台(600519),实验结果表明,中国平安这支股票中,Logistic、SVM、LSTM模型的错误率为33.9%、8.4746%、0.6874%,分析发现,LSTM模型的相对误差相比与Logistic、SVM的错判率底出15-50倍,结果表明,深度学习中的LSTM模型在股价预测上具有较好的非线性拟合能力,能够更好的利用交易技术指标对股市做出一定的趋势性判断;再者SA-Logistic、SA-SVM、SA-LSTM模型的预测结果分别为:30.5%、6.7797%、0.6874%,而对比贵州茅台的数据也同样可以发现,引入微博情感值能够一定程度的降低预测的错误率。最后本文将预测结果运用到测试样本中进行模拟交易,交易结果显示,在六个模型预测的涨跌情况下,中国平安的盈利率分别为:-3.59%、-1.70%、3.05%、-3.67%、-0.23%、8.56%,贵州茅台的盈利率分别为:-3.27%、9.08%、4.21%、-5.81%、12.07%、6.43%。分析发现SA-SVM模型和SA-LSTM在多个时间片上,不仅预测的相对误差更小,而且运用到交易中的盈利也是相对较高的,表明预测方法具有很好的鲁棒性,对数据抖动有良好的适应性,同时,将微博情感分析与预测模型融合后可以更为有效的对股市行情进行监测。