近年来,越来越多的人加入股票投资行列,股票预测问题获得了广泛的关注和研究。影响股市波动的因素很多,包括股票的历史交易数据、新闻的舆论影响等等,这导致了股票预测问题难以解决,使之成为金融界与计算机界的重大挑战。面对股票预测问题,传统的研究方法常常着眼于历史股票交易信息,基于时间序列建模。这样的方法依赖于指标选择,并且缺乏全面描述股票波动的能力。针对上述问题,本文基于神经网络展开研究,对多种数据源包括新闻文本和交易信息,提出了一种基于门控循环单元的跨模态预测模型,对股价的涨跌这一二分类问题进行预测。由于财经新闻缺乏标注信息,并考虑多条新闻的综合影响,本文借助迁移学习通过预训练的BERT模型获取新闻级别的向量表示,考虑到一天中存在多条新闻消息,通过自注意力机制来获取天级新闻表示特征。除此之外,本文提出了基于SO_PMI的利好极性的的情感词典构造方法,并根据副词来进行权重修改,得到新闻的情感特征。并对历史收盘价进行差分计算,得到量化特征。最后,将这三部分特征拼接,输入到门控循环单元中以获取其中的时间依赖性,最后获取预测结果。通过实验证明了该方法优于传统预测模型以及多源数据的有效性。除了单支股票的相关特征外,不同公司股票间的相关关系在股票预测中的影响不可忽视,公司之间的相关关系会引发股票协动。由于公司间关系的复杂性,无法通过传统的卷积神经网络建模,且难以与现有的预测模型相结合。针对上述问题,本文提出了一种基于图卷积神经网络与特征抽取的股票涨跌预测方法。首先搭建公司关系图,基于图的学习,通过图卷积神经网络得到股票关系的分布式表示,并与之前所获得的量化特征序列、情感特征序列和新闻文本特征序列构成的特征矩阵相结合。为了同时获取特征矩阵的时序依赖性和股票关系图的拓扑结构,本文设计了一种将门控循环网络和图卷积神经网络相结合的网络结构,输入特征矩阵和关系图,共同对股价的涨跌进行预测。该方法系统地考虑了上市股票间的相关关系以及股票本身的历史价格以及新闻特征。经实验证明,本文提出的方法能有效反映公司间的关系,并提升股票预测效果。