近年来,深度学习方法在金融领域的广泛应用极大推动了股票相关预测技术的发展。股票风险作为衡量股票投资价值的重要因素,其有效预测能够帮助投资者完善投资风险评估,稳定收益。为了进一步提高预测模型对股票风险的敏感性与预测准确性,本文将量化选股策略中的多因子模型思想引入其中,并加入了多种能反映股票风险特征的新因子,同时针对目前研究及应用中存在的问题进行了改进。本文主要内容及贡献如下:（1）针对传统预测模型在特征选择上过分依赖已有结构化数据指标的问题,本文构建出了一套以券商研究报告为主要特征来源的多因子库。其中券商研究报告作为券商机构针对个股发布的专业性分析报告,能够对投资者行为、股票市场带来一系列波动和影响。其内容中包含的个股投资推荐等级、盈利预测等非结构化数据都可作为股票风险预测的重要因素。同时,本文还设计实现了一套单因子测试框架,从领域知识出发,完成了对特征因子的测试与筛选。（2）针对一般长短期记忆网络（Long Short-Term Memory,LSTM）模型处理多因子输入与长短期历史信息结合的问题,本文在单层LSTM预测模型中,一方面通过改变其输入层、隐藏层、输出层的映射关系,使其适应多因子输入形式;另一方面借助双向LSTM的内部结构充分考虑了历史与未来数据的影响。为了充分利用LSTM中的长期上下文信息,本文还进一步提出了层次化LSTM预测模型。此外,本文通过构建CNN与LSTM结合的混合预测模型,对输入数据中的多维度特征信息进行了有效提取,同时采用Attention机制提升了该模型的可扩展性与预测准确性,实验结果表明该模型预测结果的各项指标都得到了显著提升。目前本文针对研报中非结构化数据挖掘得到的相关因子已在智语投研平台^[46]正式上线;同时通过预测模型得到的风险结果也可进一步用于相关量化策略研究。