股市预测任务主要基于股市相关数据对股价的未来走势进行预判,由于其可观的收益备受关注,但相对于其他领域的预测任务,该项研究也因股市的高度随机性而更为困难。近年来,研究人员利用新闻、社交媒体和价格时间序列数据提高了股市预测的准确性,研究表明股价走势多与资金走向及重点时事相关,且事件对于股市存在驱动作用。由于美股市场的历史较为悠久,交易体量较大,且在世界范围内具有广泛的影响力,因此本文从事件驱动的角度,研究各类数据对美股股市的影响,全面分析新闻报道、社交媒体、价格序列在股票预测任务中的作用。(1)针对现有基于新闻事件预测股市的方法对于不同事件本身的市场影响力研究较少的问题,本文提出了一种基于多元层次注意力胶囊网络模型,该模型通过层次注意力机制量化新闻和社交媒体中重要信息的影响力,结合胶囊网络保留文本中更多的上下文语义信息。同时,本文构建了一个组合数据集以保持社交媒体和新闻报道的互补性。实验结果表明,模型获得了事件的影响力信息,同时通过互补的数据集提升了预测的准确率和相关性。(2)针对现有基于社交媒体预测股市的方法对文本的丰富语义和逻辑结构缺乏有效编码的问题,本文提出了一种基于Transformer编码器的胶囊网络模型,该模型利用Transformer编码器的多头注意力机制提取社交媒体的深层语义特征,通过胶囊网络中的各层胶囊保留更多的上下文语义信息。实验结果表明,基于Transformer编码器的胶囊网络模型更加有效的实现了文本表示,相对其他模型预测的准确率提升幅度较大。(3)针对现有预测股市的方法对于市场延迟影响研究较少且新闻报道及社交媒体相对于规模庞大的金融市场覆盖信息不够全面的问题,本文选择价格序列数据,提出一种基于自编码器的长短期记忆注意力网络模型,该模型利用自编码器增加了隐含变量,使得股市的随机性相对可控,提升了网络的泛化能力;通过基于注意力机制的长短期记忆网络重新分配时间序列权重,提升了预测精度。同时,为分析股市的延迟影响,本文通过延迟预测的方式对比了模型的性能。实验结果表明,市场存在延迟影响,且通过延迟的方式能够提升预测准确率。