股票停牌是基于提升股票价格发现效率、抑制股票剧烈波动、消除信息不对称的初衷所设立的交易机制,在保护投资者利益和稳定交易秩序上发挥了重要作用,被世界各国主要证券市场广泛接受和实施。我国于1998年开始实施股票停牌,其大致经历了信息不完全对称下的发展、证券市场发展下逐步完善和国际接轨中的探索与改进三个发展阶段。虽然监管机构在三个阶段中对股票停牌进行了多次制度变革,但停牌种类繁多、频次较高的问题始终所为人诟病,股票停牌的随意性和复牌时间的不确定性等问题不仅挫伤了投资者的投资情绪,更在实质上对投资者合法权益造成了损害,长期连续停牌不利于提升股票市场配资效率。因此,就国内外学者在股票停牌预测研究中尚存在空白的现状,针对股票停牌开展预测研究,从股票波动中发掘停牌内在规律,将有利于监管机构对停牌趋势做出前瞻性判断并为宏观调控和政策调整提供参考,具有重要的理论意义与迫切的现实意义。在深入研究大量文献的基础上,本文针对非线线、非平稳的股票时间序列难以预测问题,提出了基于TBLA（TCN-Bi LSTM-Attention）预训练模型的个股停牌预测模型。首先建立了停牌预测指标体系,考虑到各股票交易基本指标仅能从自身单一角度反映股票波动变化,不能综合考虑多个因素的影响,在综合性、可解释性和客观性指标筛选原则指导下,结合股价预测方面的文献分析,本文选取了部分交易基本指标和技术分析指标,经过预处理和滑动窗口过程后生成股票停牌时间序列数据集。其次是采用VAE生成模型对数据集进行平衡处理,由于发生停牌在正常交易中属于异常情况,造成了样本数据集中停牌类与正常类的数据不平衡,故本文利用VAE生成模型重构停牌样本隐变量以实现数据集平衡。然后对停牌预测预训练模型进行构建,为更好提取样本数据集的时间序列特征,本文采用了带有扩张卷积结构的时间卷积神经网络（Time Convolutional Network,TCN）;同时考虑到股票复牌后股票波动有明显变化,使用双向长短记忆网络（Bi-directional LSTM,Bi-LSTM）捕获历史和未来的停牌特征;为使重要特征获得更高权重,采用了注意力机制进行权重分配,模型通过源域数据集预训练后可获得停牌的共性特征表示。最后为提取目标域停牌数据集的个体特征,对预训练模型网络参数进行迁移学习,构建了个股停牌预测模型,通过对预训练模型TCN、Bi-LSTM和Attention层参数进行冻结且使用预测目标个股股票数据对全连接层重新训练的方式,实现了预训练模型到个股停牌预测模型的迁移。本文实验选取我国2013～2021年A股上市公司的股票交易数据,分析比较了4个预训练模型:TBLA、CNN-Bi-LSTM-Attention、Bi-LSTM-Attention、Bi-LSTM,实验结果表明,本文提出TBLA模型具有较好的总体预测效果,在此基础上构建的迁移模型对个股停牌预测精度更高,本文的研究成果为解决A股股票停牌预测问题提供了研究思路。