股票市场是一个国家重要的投融资场所,也在一定程度上反应了一个国家的宏观经济水平。其中,股票价格指数作为指引近期股票市场状况的风向标,对其进行预测和分析一直是学者研究的重点。引起股市及其相关指数变化的因素是多种多样的,包括了宏观经济形势、国家相关政策、企业经营状况、社会舆论导向等等。这些因素构成了多来源且类型不同的数据信息,其多样性和复杂性增加了股市预测研究工作的难度。如今,在股市预测研究领域中,研究的重心从基于股市历史价格信息的传统自回归计量模型发展到利用多种来源数据的融合模型。例如,学者们结合行为金融学理论,将财经新闻报道、公司公告、分析报告、股吧股评等反映公司基本面状况的信息融入到股票的预测研究中,研究发现这些信息会改变市场主体的对未来市场的心理预期从而影响市场主体的投资决策行为,并以此衍生出文本的表征方法和文本情感量化方法。同时,在预测方法上,从传统计量模型发展到人工智能领域日臻成熟的深度学习方法。研究者在对股市预测的精度和模型的智能化方面都取得了较大的进步。在基于多来源数据的股市预测研究中,目前主要面对以下挑战:1)针对不同来源数据的处理和特征提取的困难,例如财经新闻作为一种非结构化的文本数据,自身具有专业性、客观性、无标注的特点,对其蕴含的语义信息以及情感倾向进行量化往往十分困难;2)股票市场是一个呈现非线性波动的复杂系统,而在前人研究中,往往基于单一来源数据构建股市预测模型,使得多来源数据信息往往利用不够充分,另一方面,多来源信息的引入能增加模型信息源的多样性,从而提升模型的预测性能。因此,深入挖掘对股市变动有影响的信息,并构建能有效融合多来源数据的股市预测模型,从而以智能的方式反映出不同因素与股市波动之间的关联,仍需进一步的研究。针对以上问题,本文对前人研究中与股市波动关联度较高的信息源进行分析,最终确定了股票市场历史数据、汇率市场历史数据和财经新闻媒体报道三类不同的数据源。同时根据金融市场技术分析原理,挑选了股市和汇市中比较关键的技术指标特征,确定了技术指标特征与新闻文本类特征的构建方法。进一步,结合基于自然语言处理方法和深度学习技术,对采集的财经新闻文本进行了向量化表征,并利用情感分析方法提取了财经新闻情绪指数特征。最终,本文利用多核学习方法将构造的不同来源数据特征进行融合处理,并构建了多核股指趋势预测模型。从本文主要的探究内容来看,可以归纳为如下两个方面:（1）根据财经新闻文本客观性、专业性、无标注的特点,设计了面向新闻报道的情绪指数构建方法。该方法首先整合了现有金融领域情感词典,结合新词发现算法和提出的N-SO-PMI算法生成了财经新闻领域情感词典,接着利用生成的词典解决财经新闻无情感标注的问题,最终将已标注的财经新闻作为训练语料带入到神经网络情感分类模型中,根据模型预测概率计算得到财经新闻情绪指数。本文生成财经新闻情绪指数的方法与传统方法相比,更能准确表示财经新闻报道的情绪倾向。（2）由于多核模型在处理多源异构数据特征空间融合方面的优势,以及核函数能够灵活地将数据映射到更适合的高维特征空间进行表示。本文由此构建了多核支持向量机模型来对多来源经济数据进行特征融合并进行股指涨跌的预测。在模型训练过程中,针对多核时序模型超参数选择的问题,本文采用了最新基于滑动窗口的选参方式。最后,在实证分析中,本文将基于三种数据来源的股指涨跌的预测情况与基于单一数据来源的预测结果在不同预测周期下进行了比较,对比结果表明由多源数据构成的多类别特征数据集在预测中的表现更好;同时,通过比较不同预测模型在同一数据集上的股指趋势预测结果,发现多核支持向量机模型在多个不同预测周期下准确率都高于神经网络模型。总的来说,本文丰富了股市预测相关研究,总结并结合了股市技术分析学派、基本面分析学派、行为金融学研究理论,为基于多来源信息的预测模型构建研究和新闻量化分析提供了技术支撑。文章中还设计了财经新闻情绪指数构造方法,实证分析发现可将其作为股指波动的表征指标,此外,研究中生成的财经新闻领域内情感词典拓展了传统金融情感词典,能有效帮助研究人员实现对财经新闻的无监督情感标注,具有极高应用价值。