股票预测旨在预测股票的未来趋势,以帮助投资者做出良好的投资决策,利用统计模型预测股票已经成为股票市场的热点研究内容。股票价格波动不仅与自身状态相关,还与其他股票的状态变化存在密切联系,以往的股票预测研究中主要通过股票的行业关系或供应链关系学习股票间的相互影响,没有考虑股票价格波动呈现的相关性。本文通过股票收益率波动刻画股票价格波动,基于已有的通过图注意力网络联合股票行业关系学习股票间相互影响的股票预测模型,提出使用股票网络的重叠社区结构挖掘股票收益率波动的相关性构造新的股票关系,替代股票预测模型中的行业关系,并基于沪深300中的134只股票在2020年和2021年历史交易数据,对比分析使用行业关系和新的股票关系时的股票预测效果。结果表明,相对行业关系,基于股票收益率波动相关性的股票关系增强了股票预测模型对股票间相互影响的学习能力。在对预测收益率排名前1、5、10、15、20的股票分别进行排名评估时,新的股票关系在平均倒数排名和平均排名命中率两个模型评价指标上,相对行业关系均取得超过10%的最大提升。同时,预测效果会随着社区结构的变化出现明显波动,不同重叠社区检测算法检测的网络重叠社区结构存在明显差异,重叠社区检测算法越稳定,预测效果波动越小。本研究通过股票网络的重叠社区结构将股票收益率波动的相关性与股票预测模型相结合,为学习股票间相互影响提供了新的股票关系。对股票进行收益率排名,能够为投资者提供股票未来趋势的客观对比,有助于投资者做出合理的投资决策。