股票研究人员和投资者一直致力于对股票市场进行可靠预测,进而获得投资收益最大化。股票波动受到多方面因素的影响,例如股票的历史价格数据、社交媒体舆论、投资者情绪等。股票价格和股票文本融合是一种有效的股票预测方法,但是仍然存在历史价格数据的时间依赖性差、股票文本可用性低以及融合特征有效性不足等问题。现有的股票数据中的噪声数据、低质量数据以及不完整的异常数据,导致学习到的股票特征不准确,使得模型预测性能低下。此外,现有的模型大多是通过改变股票预测的网络结构提高股票数据集的的可用性,对股票数据的不确定性因素缺少深入的研究。因此,本文从提高股票输入的可用性,充分选取股票相关特征以及选择高效预测模型入手,提升股票预测模型的性能。重点研究内容如下:（1）考虑到股票市场影响因素复杂多样以及股票相关数据可用性不高的问题,本文提出了一个基于异构数据和多层注意力机制的股票价格预测模型Credible Net,核心创新在于对股票历史价格的依赖关系进行捕获,使用单词层、句子层的两层注意力机制对股票中的低质量文本进行处理。将股票文本与股票价格两种异源数据进行融合,使用时间级注意力机制提取股票融合特征中的有价值信息,获得高效的融合数据信息。结果表明,注意力机制能够有效的解决股票数据中质量低、可信度低、信息可用性低等问题。此外,本文使用高斯混合模型对神经网络的输出进行建模,进而对股票预测任务进行不确定性量化,分析股票预测的不确定性。（2）针对股票数据中的异常数据造成的预测效果不理想、预测模型精度较低这一问题,本文使用极端决策树模型对股票的历史价格交易数据进行特征选择,然后将不确定性量化的思想引入到股票预测模型中,进而提升模型的准确性。在此基础上,本文提出了基于特征选择和不确定性量化的股票价格预测模型Log Net,使用高斯混合模型对神经网络的输出的的logit进行建模,选取具有较低不确定性的股票数据进行股票预测。在选取预测模型时,本文选择使用SDENet模型对股票未来趋势进行预测,该模型能够从低不确定性的股票特征中提取信息,进而提升模型预测性能。对比实验结果表明,Log Net相比于其他股票预测神经网络模型性能有显著的提升。（3）为了更加充分的利用股票的相关特征,本文提出了一个基于情感分析和Transformer的股价预测模型Sen Trans Net。该模型首先对从推特获得的非结构化数据构建情感分数,然后将情感得分与股票的历史价格指标进行融合。在股票预测模型的选取上,本文利用Transformer模型,实现对股票融合数据的有效分析,进而提升股票价格的预测性能。为了有效的评估Sen Trans Net模型的有效性和稳定性,本文选取了四个不同行业中四支不同的股票个股作为数据集,结果表明所提出的Sen Trans Net股票预测模型对于股票预测任务具有较好的预测性能和鲁棒性。