近年来,社交媒体不断渗透进大众日常生活的各个方面,而与此同时,随着大数据技术与人工智能的不断发展,使得研究者们对于社交平台上用户的行为跟踪和预测的想法成为可能。许多研究者也开始利用群体情感数据对股票金融市场这个复杂系统进行相关预测,并构建出了对应的预测股票价格或是其他市场指数的模型,其所取得的相关成果与都表明了公众情感和市场数据的结合对于提升预测股票价格准确性的可能性。尽管如此,在如今现有的研究中,并没有研究能够很好地对比不同群体情感数据对于股票价格预测的差异性,并总结这种差异性的存在对于预测结果的影响。不同的社交平台,由于其主要用户群体的分布截然不同,显然会产生不同风格的用户文本数据,例如,在话题较为泛社会化的新浪微博平台和专注于股票投资分析的雪球网平台上,用户对于股票的相关讨论具有完全不同的风格。本研究着眼于这种不同社交媒体平台之间的差异性,特别是雪球网与新浪微博这两大公众社交平台,主要对于不同社交平台上的公众情感数据与股票价格走势之间的关系进行了对比研究。在本文的研究中,(1)采集获取了来自雪球网和新浪微博的用户评论数据用于代表用户的情感状态;(2)在对这些数据进行整理清洗分类之后,通过情感分析中的词典法,利用金融领域相关的情感词典,分别对不同社交平台上的用户所发表的文本数据进行了情感分析,获得了不同平台的用户群体随时间变化的情感得分,并对该情感得分进行POMS平滑处理;(3)分析了雪球网用户情感以及新浪微博用户情感与具体股票价格走势之间的差异性,利用格兰杰因果分析检验验证了雪球网与新浪微博情感时间序列与金融时间序列之间的因果性联系,并对比之后得出,雪球网用户产生的情感时间序列在特定滞后期条件下与股票价格时间序列之间的格兰杰因果性更为强烈,其统计学特征更为显著;(4)分别基于雪球网与新浪微博的情感时间序列,利用SOFNN模型构建了股票价格变动走势的预测模型,该模型以前三天的股票价格变动以及情感时间序列作为输入,能够实现对于当天股票价格变动较为准确的预测。其中,在MAPE以及方向准确性方面,以雪球网用户情感序列作为输入的模型预测结果表现均优于以新浪微博用户情感序列为输入的预测模型,其模型预测准确度可以达到1.83%的平均绝对百分比误差以及72.3%的方向准确性。