金融市场是一个国家经济的重要组成部分,在工业和商业的发展具有多方面功能。投资者都希望可以精准预测股价以期望获得高额收益回报,但是股票的价格受到诸多因素影响,使得对股价的预测往往不尽人意。目前机器学习和深度学习算法已经成功应用于股票价格预测,但是这些方法一般仅使用单一的股票价格数据。除了这类数据之外,与股票市场有关的文本数据也是一种丰富的信息来源。根据行为金融学的观点,这类信息也会对投资者的行为产生影响,从而影响市场的总体趋势。融合股票文本信息和股价数据这两种不同模态之间的信息,给研究股票有关的关键指标提供了一种新的思路,有助于预测股票价格。考虑到时域卷积网络,拥有灵活的视野域和稳定的梯度,更适合长时间序列数据的建模,因此考虑基于TCN网络的多模态信息融合的股价预测模型。首先基于BERT模型对社交媒体的评论文本以及财经软件给出的研报进行文本特征提取;然后以开盘价、最高价、最低价、收盘价、成交量和换手率作为模型输入,利用Causal-CNN网络与LSTM相结合,从原始股票价格数据中提取重要特征,输出高质量股票价格特征信息;最后将两部分信息融合后送入模型来完成对每日收盘价的预测,并使用平均绝对误差、均方根误差、平均绝对误差百分比和R~2对模型的好坏进行评价。实证分析结果表明,股票文本信息确实会对股票的价格产生一定影响,融入了股票文本信息的TCNT预测模型在不同股票数据集上的表现均比仅使用历史价格特征的模型要好,其误差更低,泛化性能更好。