股票趋势预测是一个很有吸引力的研究领域,因为股票趋势预测在股票投资利润最大化方面起着很大的作用,所以股票价格走势预测一直是学术界和金融界研究的热点。然而,股票价格在金融领域是一个高度波动的时间序列。股票价格受实体经济发展、汇率、市场态势、科技发展、投资者情绪等多种因素的影响。因此,如何有效构建不同特征之间的关系,对股票价格进行预测,是现有研究中所面临的一项挑战。随着信息技术的发展,我们可以从互联网平台上的爆炸性信息中揭示市场趋势和波动性。因此,在实际研究中,如果给出了股票预测样本的多个特征集如:新闻信息、股票价格信息、国外股市信息等,那么如何基于这些特征集来实现理想的预测性能是一个非常有趣的问题。近年来,特征融合在目标跟踪识别、模式分析与分类、图像处理与理解等领域得到了迅速而广泛的应用。特征融合可以综合多个对预测结果有较大影响的特征,从而提高预测的准确率和预测结果的可解释性。不幸的是,经过词嵌入后的新闻特征的维度远大于市场特征的维度,如果将新闻特征和市场特征进行融合容易造成特征之间的维度悬殊问题。此外,新闻信息的独立性较高,而且新闻数据和时间序列数据相互关联性差。这在一定的程度上都降低了模型的性能。为了应对这些挑战,本文采用Text CNN微调作为新闻文本特征提取器对新闻信息进行特征提取,并提出了一种基于多特征融合的股票预测方法:Bi-LSTMAA。通过对实验深入研究本文又扩展了原有的方法,提出了一种基于协作学习的股票预测方法:TCBi GA。通过对国内实际股票市场数据的广泛实验表明,本文提出的方法在股票趋势预测准确性上有着较大的改善。