随着我国股票市场的日益完善,投资者的参与门槛不断降低,参与股票交易的人数也日益增加。依靠准确的资本资产价格预测模型在金融市场中获得投资收益,是众多投资者研究的重要内容。我国金融市场的规模在不断扩大,维护金融市场稳定是市场监管者的核心任务,金融资产价格预测为其提供了重要的参考依据。因此,准确的股价预测对于投资者和监管者都有重要意义。由于金融市场运行机制复杂,股票价格受到多方面因素的影响,各种潜在的影响因素使股价预测异常困难。目前的股票预测研究还存在许多的局限性。在数据方面,现有的研究未能给股价预测模型提供充分的市场信息;在模型方面,现有的模型难以挖掘股价数据中的隐含信息,不能解决时间序列中的长周期依赖问题。由于这些不足,导致现有的模型预测精度不够高,难以应用于实际投资中。随着金融科技的兴起,机器学习等方法开始广泛应用于金融资产的预测研究中。本文尝试将深度学习理论知识应用于股票数据的预测之中,结合目前研究热门的注意力机制,探索改进的预测方法,以提升股票预测的效果。本研究提出了基于自注意力机制的股票预测模型,该模型将自注意力机制和深度学习技术有效融合。为了使训练集给模型提供足够多的市场信息,本文研究使用了股票的基础价量数据、基本面数据和技术指标数据。这些数据可以较全面地反映股票的自身状况,可以在一定程度上提升模型效果的上限。对不同类别数据,该模型分模块计算注意力,利用各模块数据分别单独计算交易日之间的关联性,使模型更贴近金融市场的运行逻辑。本研究使用国内股票市场沪深300指数成分股数据对模型进行训练。数据集为从2012年至2020年超过两千个交易日的日交易数据,覆盖所选公司的基础价量数据、基本面数据和技术指标数据等多维度特征。为了验证模型的有效性,本文使用了七个模型进行对比分析,其中包括传统机器学习模型、深度学习模型和引入注意力机制的模型。实验中分别对每只股票进行股价涨跌分类预测和回归预测,并对比相应的评价指标以分析模型的预测性能。本文研究发现,引入自注意力机制的模型对股票预测效果具有一定的改善。在分类预测中,引入自注意力机制的模型准确率更高,而在回归预测中,引入自注意力机制的模型均方误差更小。结果表明本文研究的基于自注意力机制的股票预测模型具有有效性,注意力机制对于时间序列的预测具有较好的效果。本文的研究是对注意力机制应用于股票预测领域的有效探索,这对于金融资产预测的研究具有一定的参考意义。