股票市场作为金融市场重要的组成部分之一,因其反映了经济的变化趋势,往往被看作是经济的晴雨表,股票市场的预测对投资者理性投资和政府宏观调控具有重要的参考价值。但由于不确定因素导致市场是动态变化的,股票预测也变得非常具有挑战性。深度学习作为机器学习领域中一个重要研究分支,与传统的统计学和机器学习的模型相比,深度学习由于其对非线性数据和混合信息良好的处理能力,可以在处理股票市场这种多变量的非平稳、非线性的动态数据,得到更加可靠的分析预测结果。随着信息技术的发展,数据类型越来越丰富,这为股票预测结果变得更精准提供了条件,但同时将这些数据包含起来进行处理是比较困难的。本文的特征工程将从股票交易数据、基于交易数据的时频特征、新闻文本数据和专家因子四个方面构造数据特征。（1）股票的趋势与股票历史交易数据存在着内在联系,在构造数据特征时,将股票的交易数据作为特征的一部分。（2）考虑到股票的历史交易数据是一种非平稳序列,直接利用非平稳数据进行预测较为困难,特征工程中通过非平稳序列分解的方法将非平稳股票交易数据转化为平稳序列构造时频特征。（3）此外,股票会受到基本面情况（政策、公司经营状况等）的影响,数据特征还会引入新闻文本信息,利用情感分析工具提取新闻文本中的情感因子,将情感因子加入到数据特征中。（4）数据特征在包括交易数据特征、时频特征和新闻情感特征的基础上,考虑到业界在预测股票时会采用一些专家因子,因此,特征工程中引入了Alpha101和Alpha191两种专家因子作为数据特征。最后将上述四个方面的特征进行标准化融合构建为多源异构特征。本文在构建多源异构数据特征改进输入特征的同时,通过改进生成对抗网络,解决了基于统计学方法不能很好的处理非平稳和非线性数据,和传统深度学习方法的参数更新来自数据样本,而非研究数据之间的关系等问题,所以本文改进的生成对抗网络可以更好地探索股票数据之间的规律。最后,对传统方法和改进生成对抗网络的实验分析对比,发现基于生成对抗网络改进的股票预测模型在金融股票领域有着较好的效果。