随着经济的发展,切实的参与到投资当中成为了民众日益迫切的需求。近几年人工智能技术的飞速发展吸引了越来越多的研究者和投资者尝试使用人工智能技术智能化,自动化地进行投资。金融领域出现了基于计算机技术的新型投资方式——量化投资。量化投资主要基于历史重演的假设,通过分析金融产品的历史价格数据或者相关新闻数据进行价格预测。然而,金融市场本身是一个巨大的非对称博弈系统,现有的技术和投资手段过于关注金融产品本身的价格波动规律而忽略了彼此之间的博弈关系给价格波动带来的影响。基于这个背景,本文提出了一种基于股票影响关系网络的智能投资算法,旨在尝试运用个股之间的博弈关系来对股价未来的走势进行预测。目前学界尚不存在完善的关于股票间影响关系的建模方案。本文提出了一种基于循环神经网络的对股票影响关系进行建模的模型,并基于该模型构建了股票影响关系网络SIRN(Stock Influence Relationship Network)。该模型根据股票两两之间的价格波动趋势的延迟共现概率来刻画不同个股之间的影响生效概率。本文分别在中国和美国股票市场上构建SIRN。实验发现,股票市场中的影响关系基本服从β分布,仅有少量的个股之间有较强的影响关系,大多数个股之间的影响关系不显著。通过分析SIRN的复杂网络结构发现,行业之间往往呈现出一种单向的影响关系。进一步的,为了将股票间的影响关系应用到智能投资当中,本文提出了博弈因子GF(Game Factor)——一种描述股票受到其他个股影响的程度的股票因子,以及一种基于影响关系网络的投票策略。本文分别在中国股市和美国股市对不同的股价判势模型进行实验。实验结果表明,投票策略对于中国股市表现较好,对于美国股市表现较差。加入了GF的LSTM具有最好的召回率和F1,整体上表现出了最好的实验性能。这表明,GF可以非常有效的提升智能投资算法的预测精度。在最后,本文设计并实现了一种自动投资引擎,用以将股价判势模型转化为真正的智能投资算法。在中国股票数据上的实盘模拟实验表明,GF可以有效提升LSTM和SVM的收益率。证明了股票影响关系对于提升智能投资算法收益率的重要性。