对股票价格的建模和预测是金融研究领域中一项重要而富有挑战性的工作， 它对于投资者降低决策风险， 提高投资收益具有重要意义. 股票价格序列的非线性、高噪声、强时变性等复杂特性， 使得现有的方法无法有效提高预测准确性. 为了解决这个问题， 本文提出一种基于技术因子经验模态分解与嵌入时间注意力网络（EAN）的股票价格涨跌预测模型TE- EAN. 该模型利用经验模态分解对传统技术因子进行分解去噪， 得到高频和低频的特征序列. 然后将这些具有明显趋势特征的序列映射到新的表示空间中， 同时利用深层门控循环单元学习依赖于时间的隐藏嵌入. 最后通过时间注意力自适应地聚合时间维度信息以降低信息冗余， 实现对股票价格涨跌的预测. 同时， 针对股票价格序列强时变性的特点采用顺序参数迭代更新的训练方法， 进一步提高了预测的准确性. 在随机抽取的25只沪深300指数成分股上的实验结果表明， 该模型可以有效预测股票价格的涨跌， 模型AUC最高达0.732.