股价预测长期以来就是一个非常热门的话题。但是由于股票市场中所存在的复杂性以及随机性,准确地对未来股价进行预测则显得尤为困难。通常情况下,投资者和研究者们会从原始的股价信息例如历史股价、成交量、公司财报、甚至社交媒体的文本信息中通过一些经验公式计算出大量更为有效的因子。这些数量可能上百的因子将会被输入各种各样的机器学习模型中,例如回归模型、支持向量机以及神经网络等等,最终得到预测的结果。虽然这些因子的数量非常惊人,但实际上大部分的因子和未来股价的相关性是相对较弱的。因而在训练的过程中,这些因子导致的额外计算很可能对预测结果毫无帮助甚至有害。为解决这一问题,在这篇论文中我们提出了一种新型的多输入LSTM模型。这一模型在LSTM的基础上引入了额外的由主要因子控制的输入门,从而能够有效地在提取低相关性因子中隐含信息的同时过滤掉这些因子中有害的噪声信息。除此之外,我们还引入了其他相关股票的历史股价作为额外的因子来提高预测的准确率并验证我们提出的模型。在真实A股市场数据的实验条件下,我们证明了多输入LSTM比起其他的一些目前流行的方法有了更好的表现。