在统计和金融交叉的应用领域中,股票市场是一个变量上数量和关系都错综复杂的非线性系统,如何能够准确地预测其未来的价格变化是非常值得研究的方向。传统的统计学习方法在实际应用中很难处理这么错综复杂的关系,很难准确地提取股票数据蕴含地数据,随着计算机硬件和深度学习地相互发展,越来越多的深度学习方法被使用在股票市场预测中来。本文的研究内容主要在于如何在股票市场的预测中使用深度学习的技术得到更为准确的结果。近几年,注意力机制在NLP领域中已经获得了很大的成功,也带动了很多在时间序列预测方面的应用。由于股票数据中充斥着大量的噪声,并且变量之间的关系也很复杂,基于这一性质,本文提出了一个基于注意力机制的模型来预测股票价格,构建了基于长短期记忆神经网络的编码器-解码器结构,使用长短期记忆神经网络和注意力机制来提取股票市场的历史数据中的信息,并且在编码器部分加入了两阶段的注意力机制,可以分别从横向和纵向可以更好地捕捉数据的隐藏状态相互之间的关系,可以更准确的提取股票历史数据中的内在信息,并在解码器加入了一个注意力机制,以此来对未来的股票波动变化趋势进行预测,通过实验对比,改进模型的准确率进一步提升,通过对实验结果的分析,我们可以看出,多阶段的股票趋势预测模型和其它经典的股票趋势预测模型相比,准确率有显著提高。