自股市诞生之后,股票预测问题就受到了来自金融领域和计算机领域的众多研究者的关注。随着深度学习的发展,历史股价、新闻、论坛等数据被各种各样的深度学习模型运用于股票预测问题。然而,其仍然面临着诸多难题,例如财经新闻数据大、涉及面广,当财经新闻中未直接出现上市公司名称时,难以预测受该新闻影响的上市公司,即财经新闻的相关公司挖掘问题;上市公司之间存在复杂多样的关系,公司间相关性建模困难等问题。针对上述挑战,本文构建了金融知识图谱以挖掘新闻文本涉及的公司和公司之间的相关性,并基于实体链接和知识图谱嵌入等技术,提出了一种新颖的基于图神经网络的融合了知识图谱和情感分析的股价趋势预测模型。围绕股票预测问题,本文的主要工作包括:1)使用爬虫技术从同花顺网站上爬取上市A股公司的公开数据。然后,基于领域规则进行数据清洗,并使用Protégé构建本体。最终,在图数据库中构建了国内A股上市公司的金融知识图谱（A-shares Knowledge Graph,AsKG）。AsKG目前包含 256,141 个实体和 443,874条关系。2)设计了一种利用金融知识图谱AsKG有效挖掘财经新闻相关公司信息的策略。首先,使用改进的序列标注模型BERT-BiDT-CRF从新闻文本中获取关键实体。然后,基于实体词典和Elasticsearch索引使用字符匹配的方法进行实体链接,得到关键实体在AsKG中对应的节点。最后,采用基于束搜索的节点搜索算法借助AsKG存储的领域知识,获取对应的公司名称。3)构建了以上市公司为节点,公司间相关性为边的股价趋势预测图,其节点特征由历史股价数据和财经新闻的情感分析算法结果组成。边特征由历史股价的统计信息和AsKG的嵌入（Embedding）信息表示。利用图神经网络对股价趋势预测图进行分析,进行股价趋势预测。针对上述算法,本文进行了分阶段的实验,并构建了同花顺网站的财经新闻数据和沪深300的股票价格数据的实验数据集。在该数据集上,对本文提出的股价趋势预测模型的有效性进行了实验验证。实验表明,本文提出的股价趋势预测模型是有效的,其性能优于基准模型ARIMA。