股价预测在金融市场研究中有着非常重要的意义,想要准确预测股价的变化是非常困难的。随着经济和科技的发展,金融市场也变得更为复杂,每天生产着数以亿计的交易信息,由此而产生了大量的低价值数据,由于这些数据具有高噪声、非线性、波动性强等特点,所以这些数据已不适合通过传统计量模型来处理。根据行为金融学理论,股票的内在价值只是决定股票价格的因素之一,投资者的行为也深刻影响着股票价格。投资者在投资决策中容易受到如新闻信息以及其他投资者言论等多方面因素的影响,这些信息会在投资者中相互传递,引起链式反应,最终影响投资者的决策,股票价格受到影响,如何利用这些信息来帮助预测股价,是目前面临的一个巨大挑战。为了提高在量化投资中对股价预测的准确率,更好地决策股票的买卖点,本文进行了以下工作:首先,本文提出了一个结合股票时间序列中量价信息、技术指标、文本信息的深度学习模型来预测股价的涨跌趋势,其次,本文将这个模型应用在实际的股票交易中,辅助股票的择时决策,验证模型在实际应用中的效果。该模型通过BERT结合Bi LSTM进行金融文本量化、卷积神经网络（CNN）进行特征抽取、长短期记忆网络（LSTM）结合注意力机制进行涨跌预测,并且为了探究影响模型预测准确率的因素,分别对时间步长大小、个股股权集中度方面进行探究。该模型主要由文本处理、特征提取、股价预测3部分组成。核心过程如下:（1）处理关于某只股票的每日新闻信息提取出新闻量化指数,（2）处理某只股票的每日股民评论信息,获得投资者情绪量化指数,（3）构建股价技术指标,（4）将新闻量化指数、投资者情绪量化指数、股价信息、股价技术指标一起作为CNN-LSTM-Attention模型的输入,利用前T个交易日的信息来判断第T+1个交易日收盘价的涨跌。在10只股票上的实验结果显示,该模型平均预测准确率优于对比模型。使用该模型的预测结果结合双均线策略来模拟交易,在10只股票上进行回测,年化收益率相比普通双均线最高提升11.01%,最大回撤最高降低17.72%。本文实验结果表明,将新闻、投资者评论等金融文本信息引入股价预测模型中,可以有效提高股价预测的准确率,在股权集中度较低的个股上提升尤其明显;结合股价预测的交易策略具有一定的可行性,可以有效提高盈利、降低风险,具有一定的应用价值。