股票市场是一个庞大的、动态变化的复杂系统,股票数据有着高噪声、不平稳地特性,股票价格波动受诸多因素的影响,因此股票价格趋势预测是十分困难的。股票交易中产生了海量的数据信息,为了实现股价趋势的预测,人们利用技术面,基本面和机器学习等方法对这些数据进行实证研究,希望找到股价的波动规律,从而在价格高点抛售股票,在价格低点买进股票来实现最大化收益。在以往的研究当中,一般只用到了单支或少数几支股票和单一时间尺度数据进行预测,未能充分挖掘出股票之间的内在联系。本文针对股票之间存在联系,将相似波动股票归类在一起,根据日数据包涵大的趋势信息,分钟数据拥有更加完整日间活动信息,融合2个时间尺度信息进行实验研究,本文主要研究内容如下:(1)计算股票特征之间的相关性,选取相关性较弱的收盘价和成交量对A股进行近邻传播算法(Affinity Propagation,AP)分析,用相似度来衡量两个特征的聚类结果,分析簇内股票发现基本上处于同一行业。(2)利用证券行业股票构建为2个标签不一致的证券簇,使用深度神经网络(Deep Neural Network,DNN),长短期记忆网络(Long Short Term Memory Network,LSTM)和时间卷积网络(Temporal Convolutional Network,TCN)对证券簇和簇内单支股票(比如国金证券)在股价趋势预测上进行了实验对比,实验结果表明相同簇内股票相比单支股票拥有更多行业相关信息,簇内股票会相互作用,从而拥有更好的预测效果。(3)使用TCN在不同时间尺度上对证券簇和簇内单支股票进行实验对比,实验结果表明,时间采样频率越大,预测效果越好。考虑到日数据和分钟涵盖不同的信息量,构建一个多尺度融合模型,对比不同融合尺度在证券簇和簇内单支股票上的预测效果,实验结果表明,多时间尺度能够更有效的揭示股票价格的趋势波动规律。本文主要挖掘股票之间的相关性和不同时间尺度涵盖不同的信息量的特性,利用AP算法将相似波动的股票聚类在一起,对比分析簇和簇内股票在不同神经网络下的预测结果,发现相同簇内股票数据会相互作用,从而提升簇内单支股票的预测效果;对比分析簇和簇内单支股票在多时间尺度和单时间尺度上的预测结果,发现多时间尺度相比于单一时间尺度在股价趋势预测上有所提升,并且两个融合时间尺度的采样频率相差越小,预测效果越好。