随着人工智能研究的不断深入,越来越多的学者们开始考虑如何将最新的算法应用于量化交易领域中。在自然语言研究领域中,舆情分析可以通过各种算法模型来提取文本内容的情感倾向,利用时间序列分析技术,将股票的情感特征输入股价波动预测模型中,就能得到股票上下波动最后的预测结果。随着舆情分析技术不断的发展,学者们逐渐将股票情绪倾向量化后作为构建交易策略的因素之一,使得交易策略更加完善。为了最大可能考虑到影响股价波动的多种因素,可以将股票行情历史数据和股票评论情绪等其他因素多维度结合来构建交易策略模型,做出合理的投资决策。本文旨在以股吧评论内容作为文本数据集,通过对股评文本内容进行自然语言处理,挖掘其中股票的市场情绪特征,同时结合公司的历史行情交易数据,利用深度强化学习模型在时间序列分析中的优越性以及自动交易的智能化,建立股票价格波动预测模型,以最大程度提高投资收益。针对股票舆情分析问题,传统的融合方式在某种程度上忽略了部分指标间的关系以及时间序列特征的融合,未能有效挖掘股票市场中短文本数据的金融特征以及与时间序列相互作用所包含的隐含语义信息。本文对原始交易数据进行降噪后提出了股票历史行情交易子图,可以有效表示节点间的特征关系;同时构建了股票评论舆情特征子图,将其与股票交易子图嵌入后构建了多源异构图数据,然后提出了基于多重注意力图神经网络模型,对股票历史行情数据中的节点关系与股吧舆情分析结果之间的关联特征进行有效挖掘,最后对股价波动进行预测,经过实验对比,本文提出的模型比其他现有较成熟的模型在准确率上有明显的提升,在上证综合指数和沪300指数中最高的准确率提高了33.93%。针对股票动态交易过程中可能会出现记忆力遗忘的问题,本文选择进一步优化后的I-LSTM模型来构造强化学习智能体,目的为了更加精准的感知处理降噪后的股票历史数据特征,以更好的记忆力和动态感知历史和当前市场状况,从而提高股票超额收益。在交易测试中,本文提出的模型与传统交易策略和其他强化学习模型相比能取得更好的收益,在投资回报率指标上最高提高了92.89%。最后,基于深度强化学习,设计并实现了一个股票分析系统的原型,可以为投资者展示股票信息和投资收益,以此更好的指导投资者进行投资决策。