疫情之下,全球金融市场进入大波动时代,各国金融调控政策、突发事件层出不穷,例如美联储无限量QE、欧央行7500亿复苏基金、中美关闭使领馆、阿塞拜疆和亚美尼亚爆发空战如何智能监控全球舆情,从而最快速地做出反应、最大可能地规避风险,就成了一项特别重要的工作。自然语言处理技术作为一种新兴技术,在发展过程中,便于金融产生了联系。在《全球金融科技权威指南》一书中提到了Econob公司,这家做自然语言处理落地的公司,他们开发了一套ATRAP系统,可以通过实时新闻来交易,例如如果IBM公司的盈利情况没有达到250亿美金的预期时,他们会卖出IBM股票,反之则会购买股票。每当新闻发布,ATRAP系统便会稽查事实,如果满足了这些条件,它将会自动在市场上下单。所以,本次研究欲针对新闻、分析师评论、论坛散户评论等舆情数据,基于自然语言处理技术,从不同维度分析舆情数据的情感、观点与态度,提炼出具有代表性的情绪指标,分析其对黄金期货价格的影响,并应用到预测当中。本文做了如下研究:（1）本文从主流的财经信息获取网站（东方财富网、新浪财经、英为财经）爬取与黄金期货相关的新闻、散户评论、分析师评论,对网络舆情划分为三类情感（积极、中性、消极）,并且自行表注情感数据。采用情感词典法、机器学习模型（XGBoost）、深度学习模型（RoBERTa）对网络舆情数据进行训练与预测。将最新的自然语言预训练模型RoBERTa应用到金融舆情分析,并采用模型压缩算法BERT-of-theseus对情感分析模型进行蒸馏压缩,得到轻量级的RoBERTa模型,应用到后续预测中。（2）生成了每日的新闻、散户、分析师相关四种情绪指标（平均情绪指标、积极情绪指标、波动情绪指标、消极情绪指标）。再利用主成分降维,分别得到新闻、散户、分析师综合情绪指标。（3）进行相关性分析,再利用VAR模型分析不同综合情绪指标对黄金期货价格的相互作用关系。利用随机森林和Lasso来分析三种情绪指标的重要性差异。最后,采用时间序列Transformer模型构建黄金期货价格预测模型,分析加入三个情绪指标对模型预测效果产生的差异。本文研究结论如下:（1）在语句较短的金融文本情感分析上,基于RoBERTa的情感分析模型的分类效果要明显优于传统的机器学习算法和情感词典法,较XGBoost模型F1得分提升了15%,而机器学习模型的效果要明显优于情感词典法。（2）BERT-of-theseus模型压缩算法在情感分类任务上,可以对RoBERTa模型进行信息蒸馏、压缩模型,在损失较小精度的情况下,大幅度提升预测效率,损失F1得分为1%,预测时间缩短到压缩前的30%。（3）新闻、散户、分析师综合情绪指标与黄金期货价格存在相关性,并且是其格兰杰原因。新闻、散户情绪对黄金期货价格具有滞后一期的短期负向冲击,影响在五个周期内衰减殆尽,分析师评论则会产生一阶滞后的正向冲击,并迅速消失。（4）加入情绪指标的Transformer黄金期货价格预测模型相比于未加入情绪的模型,有较好的预测效果。