近年来,计算机科技在众多领域有着长足的发展,从扫码支付到航空航天,都有着计算机的身影,股票市场研究是计算机和金融领域结合形成的交叉学科。交易参与者背景不一,使得投资博弈呈现高度的复杂性、随机性,因此如何准确地对股票市场进行研究是科学工作者的一个重要任务。本课题介绍了股票因子量化方法,构建了一整套量化体系,构造了反映公司运行和股价变动的影响因子,讨论了如何确保量化因子的高质量,建立了数据可视化系统,为股票市场预测模型的构建奠定了数据基础。以股票数据为基础,本文主要研究内容包括以下两个方面:基于EMD-Transformer的股票趋势预测模型。文中阐述了股票市场数据的前后时序关系,分析了现有深度模型的优点与不足,引入了NLP领域中的模型Transformer,并对其网络结构进行改良以适合时序任务,解决了LSTM处理长序列性能有限的问题,克服了Transformer无法有效捕获顺序的缺陷。股票市场的投资者分布广泛、影响要素较为普遍,这些因素引入了众多的随机性,随机性的存在会使得模型拟合偏离真实数据,降低模型效果。为了降低随机性,减弱噪声影响,需要合理的应对举措,小波变换使用时需要选择特定小波基,而且在分析时小波基无法变化,无法适应数据本身的不同分布。本课题采用经验模态分解(EMD)去噪,避免了小波变换基函数缺乏自适应性的问题,由此构成了EMD-Transformer模型,通过对比实验检验了模型效果。基于EE-Transformer的股票趋势预测模型。文中分析了股票预测中样本数量有限的问题,研究了为模型训练提供额外信息的可行性,分析了嵌入技术的发展状况,提出了一种基于股票涨幅Embedding的知识迁移方法,建立了网络结构表征涨幅,与上文提出的改进Transformer一起组成EE-Transformer网络,通过实验验证了模型效果。