股价预测问题是金融市场研究中一个非常重要的研究课题,对股票市场未来的行情进行预测可以指导投资行为,帮助投资者对资金进行合理配置。在股价预测问题中,传统的研究方法以计量经济学中的各类时间序列分析模型为主,随后以SVM、随机森林为代表的传统机器学习模型开始应用在股价预测问题中。传统的研究方法主要关注股票个体的历史信息对股价的影响,没有考虑股票之间的联动效应。近年来随着人工智能技术的发展,以深度学习为代表的智能模型对传统方法进行改进,在股票市场中展现出了更优异的性能,同时股票之间的联动效应也逐渐被更多研究者关注。现有研究表明,我国股市中存在联动效应,其中产业关联是股价长期联动存在的根本原因,市场行为（如供求影响、羊群效应、信息溢出等）是股价短期联动效应的重要产生原因。目前利用图神经网络等深度学习方法对这两种联动效应进行研究并建模的比较少。同时,行为金融学认为投资者情绪对股价联动效应有显著影响。基金经理作为拥有较好投研能力的专业投资者,他们会根据自己的投资经验结合当前市场环境,对未来行业走向的进行判断,这些观点和情绪往往具有更好的前瞻性和准确性。但是已有的文献基本没有研究者将基金经理行业情绪信息纳入到股价预测模型中,同时基金经理行业情绪对股票联动效应影响机制的研究也比较少。本文基于股票市场的行业联动效应和公募基金经理行业情绪,提出一种新的融合多源信息的股价预测框架,主要工作如下:（1）本文考虑了公募基金经理在股票市场中的日益增长的影响作用,通过对基金的净值收益率序列与行业指数序列进行多元回归,提取了基金经理的行业持仓观点信息。将基金经理的行业情绪数据与产业关联下的股票关系图数据相结合,对股票的长期联动效应进行挖掘。（2）本文考虑行业的短期联动效应,提出了基于注意力机制的行业间注意力层学习行业的动态嵌入式表示,对行业间的短期联动关系进行捕捉。（3）本文提出一种新的股价预测模型结构,对传统量价数据、基金经理行业情绪、股票关系图等多源数据进行融合,捕捉股票间的长期与短期联动效应,以此提升股价预测模型的性能。为了验证本文提出方法的有效性,本文设计了若干模型,在数据集上进行对比实验。实验的结果表明,本文提出的方法在IC值、Rank IC、Precision等多项评估指标上相对于经典的股票预测模型都有了一定的提升。为了验证新加入的各个模块的有效性,本文设计了验证各个模块有效性的对比实验。本文发现当移除基金经理行业情绪信息或者股票长期与短期联动效应模块时,模型的预测性能出现了明显下降。实验结果验证了本文提出的基于行业长短期联动效应的股价预测模型的有效性。