中国已成为全球第二大经济体,而股票市场则是我国经济十分重要的环节,改革开放进入二十一世纪以来,我国的股票市场不断发展与完善,股票趋势预测的话题备受关注,若能准确地判断股票在未来的波动趋势,这将产生巨大的价值,带来收益的同时也能规避风险。计算机技术的发展,使得使用神经网络技术对股票趋势进行预测成为热门研究领域,如使用长短期记忆神经网络模型、循环神经网络模型、支持向量机模型等,基于股票的历史数据,对股票的未来进行预测。基于目前的股票预测研究现状,大量的模型都是从时间序列的角度分析股票的特征,本文从数据之间的关联的角度出发,提出使用图神经网络对股票波动趋势进行预测,在利用数据的时间序列特征的同时,挖掘数据之间的联系,使用图神经网络模型进行训练,做出预测。本文的主要工作如下:1、介绍了股票分析相关理论知识,包括股票预测的方法,股票基础交易数据以及股票技术指标。阐述图神经网络相关理论知识,包括图论与图神经网络模型两部分。图论包括图的基本定义、在计算机中的储存方法以及图谱论,图神经网络模型的部分则是从谱域与空域的角度出发,介绍图神经网络的工作原理与经典的图神经网络模型。2、阐述本文所使用的MTGNN模型。MTGNN模型的优势在于能够根据已有的时间序列数据构建图结构数据,使得时间序列数据能在图神经网络中训练,同时在训练过程中,MTGNN模型能不断地更新图结构,增强预测的效果。该模型主要分为三层:图学习层、图卷积模块、时间卷积模块。其中图学习层利用时间序列数据构建图结构数据,图卷积模块融合节点之间的信息,挖掘节点之间的关联,时间卷积模块则用来获取数据的精确的时间特征。3、选取了贵州茅台、中信证券、招商银行、美的集团4支股票近十年来的基础交易数据,包括开盘价、收盘价、最高价、最低价、成交量5项,开展特征工程,基于收盘价,建立了SMA、WMA、MOM、RSI、WILLR、ROC、CMO共六项指标,并进行主成分分析。基于4支股票数据,优化模型损失函数,探究模型超参数、学习率与丢失率的最优设置方案。并针对每支股票,设计基础交易特征模型与技术指标混合特征模型两个实验,以RAE、RSE作为评估指标,实验结果表明MTGNN模型能取得较好的准确率,且技术指标混合特征模型能提升预测的效果。最后对模型超参数的影响进行分析,并进行消融实验,探究各个模块对模型性能的影响。