证券投资交易是对股市具有深刻了解的证券分析人员根据股票行情的发展,对未来股市发展方向以及涨跌程度预测后进行股票买卖操作的一种交易行为。其中股票价格具有时序动态性、随机性、高噪声性,加上移动互联网时代金融市场产生的海量数据致使传统的金融交易分析方法明显不足,如在股票预测方面,相比图神经网络和时序神经网络方法具有很大局限性。深度学习算法是从海量、多元、多维、异构金融数据中动态挖掘股票价格走向信息的重要方法。传统方法通过对股市影响因素数据的建模、分析实现对股票价格的动态监测与预测,主要存在四点不足:其一,影响证券交易和股市波动的数据众多、颗粒较粗、质量不高、采集负担重;其二,面向证券交易和股票市场波动风险评价的指标众多;其三,现有深度学习算法在证券交易和股票预测时,由于未能贴合影响数据特征而容易产生过拟合和欠拟合现象。其四,现有算法未能充分利用数据的时序特征。本文主要研究工作如下:1、针对面向证券交易风险评价指标众多的问题,利用随机森林算法对初选指标进行降噪优化,通过算法自动分析初选指标并迭代与特征重要度计算,优选出对证券交易风险影响较大的指标作为证券交易风险识别指标。2、针对未能充分利用数据的时序特征问题,引入时序记忆网络学习时间步长序列数据之间的长期依赖关系,对风险识别评价指标与证券交易风险性之间的复杂、更深层次的函数进行构建与表示。3、针对未能更好贴合影响数据特征的问题,提出了一种邻接矩阵独立性检验的多模态时序主题图神经网络算法模型（Neural network of time series theme graph,简称TSTNet）,TSTNet算法模型通过时序主题获取股票三级指标特征,然后经过主成分分析（PCA）挑选器与相关系数矩阵参数融合,再根据自然语言词频嵌入式分析特征值,将获取自变量之间的系数矩阵通过模型计算得到预警区间值。本文通过使用股票市场数据集（2010-2020）作为测试样本,实验结果显示所提出的TSTNet模型的准确率为0.8589、召回率为0.8591、覆盖率为0.8902、MAE为0.6303,这表明模型具有较高的风险识别精度,能够更加精准地为投资者推荐经济回报高的可投资证券,有效降低证券投资的风险发生概率,切实提高投资者的投资收益。