随着互联网的高速发展,股民与网民的高度重叠,股票市场的信息结构也已经发生了深刻的变革。监管部门、上市公司、财经专家等不再是仅有的信息提供者,随着微博、微信、贴吧等自媒体的兴起,信息的发布早已是网民的基本权利。相对于普通网民,业界专家的媒体言论具有更高的关注度同时也有更高的可研究性。但是,如何充分利用网络信息一直是一个难题,原因在于网络信息具有海量、半结构化、时效性强的特点。本文通过网络爬虫抓取海量的原始文本,对抓取后的文本信息分词之后进行清洗处理,可以避免建模样本的随机性。之后对预处理后的文本数据分组,基于房产板块股市的涨跌情况,构建量化指标,进而分析业界专家的媒体言论对股市的影响。研究成果不仅对于判断股市价格变化有重要参考价值,而且对于外汇市场和期货市场等其他金融市场的价格变化也具有借鉴意义。本文不仅分析了专家影响力的不同对股市的影响程度,也分析了专家言论的某些词组出现的频率的不同与股市波动的关联性。最终,本文通过处理的海量数据集训练得到了朴素贝叶斯分类器,经过验证发现其预测能力具有较强的可信度。本文利用计算机科学中的信息检索技术和自然语言处理技术从海量的互联网新闻中挖掘出有用的市场信息,利用媒体资讯来弥补信息不对称,从而为股票预测分析提供了一条切实可行的路径。但由于本文建立的挖掘模型还不是很完善,模型缺乏连贯性,在之后的研究中,如果可以将预处理、分词、特征提取等挖掘模块集合起来,形成分析流程,对今后业界专家的媒体言论的信息挖掘更有帮助。