随着金融市场的不断发展,越来越多的人们通过买卖股票的形式进行投资,以期待获得更多的收益回报。但是股票的价格波动受到相应行业市场发展状况、行业新闻信息和国家宏观政策等各方面的影响,变化随机性强。如何更加准确地预测股票价格的趋势,对投资者做出投资决策起到至关重要的作用。利用股票价格数据基于算法模型来预测未来股价的趋势,可以为投资者提供投资依据。但是这样的方法没有很好地考虑到行业新闻信息对股价趋势的影响,而行业新闻信息恰好反映着该行业的现状,影响投资者的投资决策,对股价趋势有着重要的影响。针对以上问题,本文基于深度学习技术,对融合股票价格特征和新闻文本特征的股票预测算法进行研究,取得以下研究成果:（1）提出了一种基于BERT和注意力机制的股票新闻文本特征提取模型。首先采用BERT对股票的新闻标题作词嵌入,来获取文本的向量化表示;再通过BERT的微调Fine-tune做语义分类任务,提取单条新闻文本的利好、利空特征向量。再引入注意力机制,为不同的新闻信息赋予不同的权值,最终得到一天综合性的新闻文本特征向量。相对于传统股票新闻文本特征提取的方式,该模型在特征提取时更好地考虑到文本上下文的含义,并考虑到多条新闻对股票的综合影响。同时,采用卷积神经网络对股票历史价格数据进行特征提取,在降低数据维度的同时有效捕获短期依赖关系。并将提取到的两类特征进行融合,作为后续预测模型的输入。（2）提出了一种基于GRU-Attention的融合多特征的股票预测模型。将融合后的股票历史价格数据特征和新闻文本特征送入该模型,利用循环神经网络GRU捕获时序中的长期依赖关系,解决了普通循环神经网络梯度消失或爆炸的问题。考虑到股票不同类别特征对股价趋势的影响程度不同,而且为了避免信息过载的问题,再次通过注意力机制聚焦重点特征信息、过滤无价值信息,进一步提高了股票趋势预测的准确率。最后,通过网易财经和东方财富股吧下载对应股票的历史价格数据和新闻文本数据构建数据集,在该数据集上对本文所提出的算法模型进行了实验验证。试验结果表明,股票的新闻信息会对股票的价格波动产生影响,当融合股票历史价格和新闻两类特征作为输入时,比只输入历史价格特征预测准确率提高了3.42%。与Word2Vec模型相比,通过BERT对新闻文本的利好、利空特征提取更加充分,预测准确率提升了1.6%。