股市一直是国民经济发展的“晴雨表”,改革开放后,随着中国经济的发展,国内各行业不断有企业通过融资上市方式谋求发展,普通群众也开始尝试通过股票买卖方式实现资产增值,股票市场在中国有了一个迅猛的发展。近几年随着互联网的迅猛发展,新闻、公告、公司研报等财经类信息铺天盖地,新闻文本所包含的事件信息和情感倾向是影响股价变动的又一重要因素。因此在传统只使用数值型因子预测股价波动的基础上加入文本分析手段来实现股价的准确预测是越来越合理的研究新思路。国内因为金融市场开放时间较晚,进一步挖掘深度学习算法在量化投资中发挥的作用,不仅对研究深度学习算法的应用有深刻的理论意义,而且可以在预测股价波动的基础上设置合适的交易策略,进一步解决投资者所关心的收益问题。为了更好的对股价未来变动做出预测,本文提出基于新闻-宏观-股票行情数据的股价预测模型,并得出基于attention机制的LSTM模型在该数据集的优秀预测效果。本研究具有以下三个创新点:第一,尝试将新闻数据和宏观因素同时作为输入特征引入预测模型,进一步提高了预测准确率;第二,利用加入attention机制的LSTM模型拟合数据,同时比较了基于注意力的LSTM和基于时间步的LSTNet模型的表现效果,并且尝试将因变量作为单独的时间序列型自变量输入到LSTM模型,将时间序列结果与因子预测结果结合,全面提升预测效果;第三,首次提出将LSTNet模型用于基于新闻文本的股票价格预测过程,同时为进一步拟合股票数据的自身特色,将原作者2018年提出的LSTNet模型的RNN部分的转化为LSTM部分。本文在以往股票价格预测研究的基础上,提出了一种新的深度学习混合预测模型。在数据获取方面:获取宝钢股份、格力电器、贵州茅台、招商银行、中航西飞、恒瑞医药和中兴通讯7支股票10年内（2011年7月1日-2021年7月1日）股票收盘价数据。以新闻标题文本数据、宏观数据（汇率变化率、一年期国债收益率、存款准备金率变动、消费者价格指数CPI、广义货币供应量M1）和股票基础数据（开盘价、最高价、最低价、涨跌幅、成交量、成交金额、成交笔数、换手率、总市值、流通市值、市盈率、市净率、VWAP）作为输入特征。在模型建立方面:第一步,利用CNN模型和Bi-LSTM模型对新闻指标进行处理,得到新闻标题文本处理得到的新闻事件分类数据和新闻情感分数数据。第二步,将新闻分类数据和新闻情感得分数据以及宏观指标、股票自身影响指标进行归一化处理,输入到原始LSTM模型中。第三步,在原始LSTM模型中加入注意力机制attention,包括基于权重的attention-LSTM模型和基于时间步的LSTNet模型。第四步,利用LSTM模型要研究的股票收盘价时间序列数据进行拟合,将其与在第三步中表现最好的注意力LSTM模型整合作为最终预测模型。最终分析不同模型在7只股票的预测效果。在实证分析的基础上主要得出以下结论:（1）本文提出的在新闻-宏观-基础数据集上的改进LSTNet模型在测试集上表现优异,不仅体现在真实值与预测值之间数值的差异最小,并且对于数据随时间涨跌的方向预判也是最准确的。（2）改进的LSTNet模型较好的解决了LSTM模型在时间序列预测上的滞后性,可以更好地预测数据的突然变动,同时很好的捕捉了长期变动趋势。（3）要研究的收盘价数据自身的时间序列特征模型在预测中也会有显著影响,即将利用LSTM模型拟合股票收盘价得到的结果（捕捉原始数据的时序特征）与改进的LSTNet模型进行整合,模型的预测效果会进一步提升。（4）加入新闻标题文本数据处理结果的LSTNet模型比不加新闻标题文本数据处理结果的LSTNet模型预测结果相比,其预测准确率更高。说明将新闻类文本数据加入股票价格预测的思路正确,利用CNN模型进行标题事件分类和利用Bi-LSTM模型进行情感舆情分析效果较好。