全球经济正处于飞速发展的阶段,我国的金融市场也在不断完善之中,金融市场的高回报吸引着国内外各类投资者。在高回报率的背后往往也是高风险,投资人时刻都在关注着金融市场的动态,媒体关于市场的新闻报道会造成市场情绪的波动,对金融资产标的价格运动产生影响,进而影响到投资人的投资决策。如何从海量的实时金融新闻资讯中识别受影响的金融资产标的,继而对标的资产的价格进行预测,对投资人来说具有重要意义。在以往关于股票价格预测的研究中,研究人员往往忽略了无特定实体指向的新闻事件,大多数研究都是基于已知的关联股票,对关联的股票实体价格进行预测。本文将无特定股票实体指向的新闻事件定义为“泛型事件”。例如,关于房地产行业的新闻事件报道之中,可能并未提及相关的股票实体,但是具有经验的投资人能够在第一时间将受影响的股票实体挑选出来,对于自己后续的投资判断具有指导作用。本文从事件与股票实体之间的属性关系入手,首先论文提出了一种新型能够量化事件与股票实体之间相关性的深度学习模型(MEAN)。通过多路映射关联计算,MEAN模型从多维度充分挖掘股票属性与新闻事件相关度,最终通过全连接网络输出二者的相关系数。其次,论文提出了异构信息协同模型(HICN),结合股票价量信息与新闻事件信息对MEAN模型所锚定的股票集合进行股价预测。MEAN与HICN构成了本课题的事件驱动型股价预测模型,本文根据实验数据设计了多个对照实验,其中的对照模型包括传统的机器学习模型,也包含常用的深度学习模型。通过实验结果对比,验证了本课题所提出的基于深度学习的事件驱动型股价预测模型的有效性。本文后续根据模型的表现构建了模拟投资策略,并获得了相对大盘27%的超额收益,表明本课题模型对实际投资同样具有指导意义。