海量互联网媒体信息随着时间变化而不断增长,为学者和公司分析和理解这些信息带来了很大的困难。尽管这些数据大部分具有非结构化和未经证实的特点,但它们确实包含了很多有用的信息。在金融和经济竞争领域,交易由机器自动管理,信息不对称很容易加剧损失或扩大利润。因此,结合源于网络媒体的金融谣言和股票价格实际上似乎比单独使用它们更为理想的。基于自然语言的特性,以及股票数据集的嘈杂和难以预测的性质,评估谣言对股市的影响是一个棘手的问题。本课题基本上取决于特征提取、自然语言处理和预测模型等多种技术。实际上,考虑时间依赖性在预测模型的结构中至关重要。首先,许多高性能的机器学习模型的运行原理根本不支持数据集中的时间依赖性,从而性能在较复杂的数据集上落下。第二,具备记忆力单元的循环神经网络模型考虑到时间依赖性,总是假设输入数据中的时间间隔是恒定的,在特征提取方面超过一般机器学习模型,并最适用于时间序列。具体而言,LSTM网络模型借助其内部及隐藏状态,从数据集中自身学习所有重要的时间依赖性。第三,金融时间序列以及其他生活中的数据集中的时间间隔并不恒定。与此同时,谣言没有任何控制,现在的填充网络媒体,有时携带有用的信号。从而,本文意识到了给具备记忆力模型提供谣言和金融时间序列中专门提取的时间依赖性的融合很可能会提升模型的性能。本文在标准LSTM模型的基础上对其做出改进,使得其支持一个新的结构,深层状态以及作为附加输入的时间滞后。在本文中,所谓的时间滞后(时滞)旨在金融时间序列中连续样本的停盘时间之间的差距。深层状态使得预测不再依赖于单个状态所学习的模式,而是依赖于若干状态分别所学习的模式。深层状态的运行方式与卷积神经网络的特征图捕获输入数据集中信号的不同方面的方式很相似。所提出的模型还实现了新的定时函数,其将时滞从其原始范围缩放到对于机器学习更方便的[0,0.75]范围。本文证明,所引入的模型适用于分类和回归问题。尤其是当待分类的数据所包含的时间序列更长时,建议的模型表现更好。这项工作做了一些贡献,包括使用函数组合而不是简单的数学公式或机器学习激励函数。此外,本文所建议的模型具备了一种具有较少扇门和输入节点的新结构。该模型完全在TensorFlow中构建的,因为其使得用户对定制程序有更多控制。建议的模型在分类测试中达到了99.93%的准确率,证明了模型在预测时间序列的任务上的性能还可以进一步以达到最先进的性能。最后,这项工作提出了一个随时可用的模型,该模型可用于解决包括预测金融时间序列在内的现实生活中的问题,并通过评估两种数据缩放技术展示了数据集缩放的重要性。