随着我国经济社会的发展,人们生活水平逐渐提高,拥有更多的闲置资金,于是把目光转向一些理财产品上,股票因其有着较高收益的特性,成为了多数人的选择。但股票在有着高收益的同时也有着较高的风险性,股市纷繁复杂、变化莫测,诸多因素都对股价有着重要的影响。得益于行为金融学理论的支持,人们逐渐关注投资者的心理状况和情绪对于股市的影响。近年来,机器学习和自然语言处理技术飞速发展,使得通过网络媒体的文本信息来度量投资者情绪有了较大的可能性,进而能够挖掘金融文本所反映的投资者情绪与股价变动之间的关系。大量研究文献表明,金融文本背后的投资者情绪与股价变动确有密切关系。基于这一观点,本文收集大量金融文本,通过情感词典和机器学习的方法,充分提取其特征信息,以充分挖掘隐藏在金融文本后的投资者情绪,通过目前主流的LSTM、随机森林、XGBoost方法,设置比对实验,验证了加入金融文本这一因素后,有助于股票价格预测效果的提升这一猜想。本文基于金融文本和股票市场公开的历史交易数据,利用LSTM构建股价预测模型,得到以下三个结论:第一,融入金融文本特征的LSTM预测模型比未融入金融文本特征的LSTM预测模型效果好,说明研究股价预测问题,金融文本这一特征不容忽视。第二,融入金融文本特征的模型比未融入金融文本特征的模型在随机森林和XGBoost分类任务上都有着更好的表现。第三,本文使用随机森林和XGBoost分类预测的结果对LSTM回归预测的结果进行修正,提出LSTM区间修正算法,将此方法应用于投资选股的策略之中,并同其他方法比较,本文所提算法在投资收益的表现上较佳。