针对Elman神经网络在基于股市网络舆情的收盘价预测中存在收敛速度慢且预测精度低的问题,本文提出了基于CEEMDAN算法的IWOA-Elman预测模型。首先,通过文本挖掘技术对SSE 180股的网络舆情挖掘和量化,并利用Boruta算法筛选重要属性以减少属性集的复杂度;然后通过CEEMDAN算法在属性集中添加一定数量特定方差的白噪声,实现属性序列分解与降噪;同时,利用自适应权重改进WOA算法以增强其全局搜索及局部开采能力;最后利用WOA算法在迭代过程中不断优化Elman神经网络的初始权重和阈值。结果表明:组合预测模型IWOA-Elman,比单独使用Elman神经网络,其平均绝对误差(MAE)从358.8120降低至113.0553,与未采用CEEMDAN算法的原始数据集相比,其平均绝对误差(MAPE)从4.9423%降低到1.44531%,有效提高了预测精度,为股市网络舆情的预测提供了一种有效的实验方法。