针对股票市场内的股价等金融时序数据进行走势预测及规律挖掘,有利于辅助投资者制定更合理的投资策略,有助于促进股市等资本市场的平稳运行,同时可以有效推动金融及其他领域时序数据预测的技术发展和理论创新。股价等金融时序数据具有易变化、高噪声以及低稳定性等特征,其变化规律受到市场噪声数据以及内部和外部多重影响因子的干涉,想要把握其规律从而实现精准预测是一个具有挑战性的问题。常用的统计分析及机器学习预测方法拥有泛化能力不足、特征提取能力不足以及非线性映射能力不足等问题,而能够克服以上问题的神经网络预测模型又有着长程依赖不足、记忆能力不足以及梯度消失和爆炸等问题,这些因素使得股票预测的效果受到较大影响。本文在传统深度学习模型的基础上通过优化神经网络结构、扩充数据特征和影响因子以及融合多头自注意力机制提取深度特征,进一步提升股票预测模型的性能。首先,构建了基于加权BiGRU与新闻舆论特征的股价走势预测模型。在深度学习和神经网络模型的基础上,进一步优化网络结构,采用加权BiGRU网络结构作为主体模型,在股票历史量价特征的基础上引入新闻舆论特征作为模型的扩充信息源。加权BiGRU网络可以有效解决传统网络的长程依赖以及梯度消失与爆炸等问题,通过双向加权门控单元同时考虑历史方向和未来方向的双重影响,既能增添记忆容量也能扩充影响因素方向。由Doc2vec训练获取的新闻舆论文本向量经由BiGRU利好利空分类器可提取出新闻舆论特征,该特征能够反映股市中相关企业或行业的利好或利空情绪,扩充了针对预测点数据的影响因子。然后,构建了融合多头自注意力机制及深度新闻舆论特征的股价走势预测模型。该模型在上述预测模型获取的基本新闻舆论特征的基础上,引入了多头自注意力机制,用以计算各新闻舆论特征的注意力分布值即重要性权值,进而提取出深度新闻舆论特征。深度特征相对于基本特征来说,可以区分出不同时序和主题文本对于预测点数据的不同影响程度,着重考虑关键文本的突出影响。将深度新闻舆论特征结合股票历史量价指标,融合至加权BiGRU模型中去,充分优化和扩充数据源,实现预测精度的进一步提升。最后,通过大量仿真迭代实验对股票预测方法进行效果展示及性能分析,同时与常用的传统预测模型进行相关性能指标的对比分析。实验分析表明,本文的预测方法与传统预测模型相比较,实现了误差的进一步降低,同时预测能力也得到较大提升。