随着金融市场的壮大,以买卖股票为投资方式的人越来越多,股票预测问题得到了广泛的关注。股票预测以预测股票价格涨跌为目标,能够辅助投资者分析并确定买卖策略。由于股票市场的高度波动和非平稳特性,精确的趋势预测是非常困难的,因此,给金融领域和计算机领域带来了重大挑战。传统的股票趋势预测方法通常仅依赖于股票交易数据,而忽略了股票新闻文本中隐含的重要信息。针对此问题,本文结合股票价格特征与新闻文本特征,提出了一种基于多特征的门控循环单元预测模型。为了获得新闻文本特征,本文采用了预训练的Word2Vec词向量模型和注意力机制。首先使用Word2Vec模型作为词嵌入层计算每日每条新闻中每个单词的嵌入向量,然后对所有单词的嵌入向量进行平均,得到每日每条新闻的向量表示。由于每日包含多条新闻,最后通过注意力机制为每日每个新闻向量分配权重,并计算这些新闻向量的加权平均值,得到代表每日的新闻向量表示,并用以表示新闻文本特征。对股票历史收盘价实施差分计算得到股票涨跌幅序列,用以表示股票价格特征。将获得的两种特征输入到门控循环单元来捕获时序依赖关系,并获得预测结果。通过实验证明,该方法优于仅考虑将股票价格特征作为网络输入的模型。现有的股票趋势预测方法大多假设股票间彼此独立,而忽视了股票间的各种关系,然而股票间的丰富关系包含着更有价值的信息以实现预测。针对此问题,在基于特征融合的门控循环单元预测模型的基础上,引入了股票间行业关系,并提出了一种融合图卷积网络与门控循环单元的网络模型。根据每只股票所属的行业类别,构建出相同行业的股票关系图,并基于图进行学习。通过图卷积网络得到图的相关性特征,通过门控循环单元获取股票价格特征与新闻文本特征的时间依赖性,从而完成股票趋势预测。在真实数据集上的实验结果表明,考虑了股票关系的模型取得了更高的准确率,提升了预测效果。