股价市场预测方面的课题一直是研究的热点领域。之前的工作主要聚焦在传统量化应用,或使用机器学习的办法套用分析在某一个公司的基本的指标信息上。有效市场理论假说表明公司股价相关信息的发生引发股价的波动,以前工作主要忽略了两方面的因素:财经新闻和投资者情绪。本文将组合各类信息源信息,分析它们之间的联系,进而提高股票市场预测的表现。本研究面临和解决三个问题:传统的量化方法使用的信息不全,导致预测能力较差;社交网络数据有潜力提高传统量化方法预测准确性,但社交信息经常伴随着噪声,某一个特定新闻的表示很有可能是稀疏的;缺乏有效的预测模型去处理复杂的数据结构。首先,为了处理信息不足的问题,该研究收集不同的信息源并探究其相互关联以及对股价的综合影响。这三个信息源分别是,新闻特征,投资者情绪特征和公司特征。在上述的处理中,该研究使用自然语义处理技术读取并提取文章语义和情绪。然后,为了分析不同信息源的关系,本文首先使用张量结构对各类数据源特征进行建模,并提出一种基于张量的信息关联模型(Tensor-based Information Association,TIA)来构建张量数据序列,TIA结合了局部领域和判别性信息,这两个信息来自于股价的涨跌方向,本研究利用这两个信息并在一定的标准下使原来高阶的张量特征转化对应为低阶的张量特征,以此来获取更鲁棒的股价预测的特征表示。最后,本研究应用改进后的高阶张量岭回归模型在张量序列和股票价格波动上,进行回归预测。实验结果是在股市完整一年的数据上进行的,其中涉及了中国股票指数中的股票,结果表示,该模型预测的有效性在和其它优秀的方法比较时有明显优势。