社会消费品零售总额对于经济政策的制定和科研等都有重要的价值。大量的研究者基于时间序列相关理论和计量经济学建立了预测模型。近年来,很多学者尝试使用非经济可实时采集的数据对社会消费品零售总额进行预测。如搜索引擎有关消费的搜索指数、消费者信心指数等。这些数据的加入使得社会消费品零售总额的预测精度得到了明显的提升。北京市社会消费品零售总额受多种因素影响,通过传统方法难以分析,情感因子的加入,可以明显的提升传统预测模型的预测效果。因此本文选择北京市社会消费品零售总额为研究对象,利用文本情感分析的技术建立起情感因子指标,辅助北京市社会消费品零售总额的预测。本文首先对北京市社会消费品零售总额进行了详细的分析,为文本情感因子的加入奠定理论基础。本文采用聚焦型爬虫技术爬取了新闻网站的新闻用于情感分析。采用基于情感词典和深度学习的方法分别建立了句子粒度和篇章级粒度的月度情感因子。通过建立向量自回归模型和Granger因果关系分析,论证了两个情感因子引入预测模型的合理性。对北京市社会消费品零售总额建立起基于时间序列理论的SARIMA模型和基于神经网络的LSTM基线模型,然后将两个粒度的情感因子分别引入SARIMA模型和LSTM模型,并比较引入情感因子的模型与基线模型的预测精度。论证了情感因子对基于时间序列的模型和神经网络的模型都有辅助作用,且句子级的情感因子因为粒度较细,有着更好的辅助效果。最后本文将LSTM模型和SARIMAX模型进行融合,建立了LSTM-SARIMAX模型,提升了模型的稳定性和预测精度,相对于单模型表现最好的LSTMX1模型预测精度提升8.39%。