自我国2014年和2016年分别开通沪港通和深港通以来,金融市场的对外开放程度不断提高,越来越多的国际资本(本文中称为港资)通过香港交易所(后称港交所)流入A股市场。截止2020年4月底,A股中港资持股市值已近1.5万亿人民币,港资正在对A股票市场产生越来越大的影响。港交所每天盘后会公开港资持仓数据的详细变化,使得越来越多的投资机构不断致力于港资持仓数据的深入挖掘和分析,以期寻找港资流向与股票价格变化间的规律,进而为投资策略提供指导和参考,以降低投资风险,提高投资策略的收益。然而,目前诸多港资数据分析模型的效果大多不尽人意,难以满足实际的应用需求。得益于近年来人工智能相关技术在金融领域的广泛应用,为了进一步挖掘分析港资流向与股票价格间的变化规律,本文将深度学习算法中的长短期记忆网络引入港资数据分析模型中,对大量港资交易数据进行挖掘分析,得到了较好的实验效果。本文主要内容及贡献如下:1、实现数据集构建与因子筛选。针对现有数据集不适用的问题,本文抓取了从2016年6月29日到2020年1月23日香港交易所公示的港资交易数据100多万条,与量化投资领域公认的五百多个股票因子相结合,组成了港资持仓数据集,并对数据进行清洗和结构化处理。然后,针对因子数量大且因子对港资活跃股票价格的影响力大小未知的问题,使用随机森林对因子进行挖掘、分析和筛选,找出对港资活跃股票价格波动影响较大的因子集合。2、提出了基于多因子长短期记忆网络模型(Long Short-Term Memory,LSTM)的股票价格波动预测算法,结合本文使用的数据集特点,采用多因子LSTM为基础,并且对模型进行了改进,加入了注意力机制(Attention Mechanism),提出了将Self-Attention和多因子LSTM模型相融合用于股价趋势预测,提高了模型预测的准确性。实验数据表明,该算法具有较好的预测准确度和较普遍的适用性。3、运用以上的方式构建了基于股价走势预测的股票推荐系统。该系统会每日更新后台数据,基于Self-Attention和多因子LSTM的融合模型的预测结果为用户推荐股票预期收益较高的股票。