股市预测作为一项难度很大且富有意义的一项任务,一直被各界研究者所关注。在“有效市场假说”的大前提下,一个信息公开透明,价格走势可不受约束地随信息的披露而波动的股市是很难预测的。然而,在实际情况下,所有投资者不可能同时掌握相同的信息,尤其是在互联网高速发展的今天,网络信息庞杂混乱,不同的投资者处理信息的能力不同,面对如此大量的信息会产生对价格走势不同的看法。从这一观点切入,本文希望通过现有技术来尽可能多的分析可获取信息,从而尽可能准确地预测价格走势。目前股市市场主要存在结构化数据(量化数据)以及非结构化数据(文本数据),因此本文的研究主要从以下三个方向出发:量化预测、情感分析、量化与情感分析融合预测。量化预测是整个股市预测中最基础但也是最重要的一个任务,其本质是时间序列分析,已有的绝大部分工作都是基于规则或是统计学对价格序列进行建模,需要了解一定金融领域知识,然而不断变化的股市规律以及股市市场本身的复杂性使得这种分析方式十分困难且效果也不尽人意。因此本文提出了一个基于栈式自编码结合长短期记忆网络的时间序列预测模型,通过栈式自编码来自动构建特征,并通过长短期记忆网络来进行时间序列分析。结果显示此模型获得了良好的收益。情感分析在分析已有新闻文本的基础上,进一步引入情感信息来提升预测效果,本文使用层次化表示方法来对新闻文本信息进行建模,得到多文档级别的表示,再通过引入询问驱动的注意力机制来引入新闻文本中的情感信息,这样可以根据需要来从不同的角度来来引入情感信息,最终得到带有情感信息的多文档级别的表示,从而建模新闻文本与价格走势之间的隐含关系。结果表明引入情感信息可以进一步提升基于新闻文本的预测效果。量化与情感分析联合预测则是上述两个部分的融合,考虑量化数据的同时也引入新闻文本的情感信息。该部分首先将这两部分数据进行编码,得到对应的信息表示,再通过变分推断来得到隐式的特征向量,最后通过解码将包含了融合信息的特征向量映射到股价涨跌类别。实验结果表明通过融合多种信息可以更好的对股价走势进行预测,同时也体现出了本研究的可行性。