随着国内金融市场的不断发展,参与金融市场投资的投资者也在逐年增加。投资者参与金融市场的主要方法为股票交易,但由于股票价格具有较强的波动性,如果投资者无法准确把握股价的走势,不但无法获取收益,反而会蒙受经济损失。另外,当市场遭受大型波动时,准确地把握市场走势也有利于主管机构进行干预与颁布救市政策。针对以上应用场景,本文提出一种基于深度学习与自然语言处理技术的市场走势预测系统,可以根据金融舆论文本与股票数值数据对市场中个股的涨跌趋势做出正确率较高的预测。本文的主要工作如下:首先,提出了一种改进的词向量二阶段训练方法。传统词向量模型在情感分析领域的弊端,导致了最终的预测模型难以区分舆论文本中的乐观倾向词语与悲观倾向词语。为了缓解这一情况,本文借鉴了文本情感分类中所采用的方法,并结合本文应用背景对该方法进行了改进,实验表明采用改进后方法调整得到的模型增加了词向量包含的情感信息。其次,提出了一个对本文中的金融舆论文本进行表征的神经网络模型。由于需要对大规模文本数据直接处理,所以本文基于分层模型的思想,提出了一种适用于舆论文本数据的网络模型,该模型称为基于自注意力机制的双向LSTM与CNN分层模型。与其他模型的对比试验结果表明,该模型兼顾了训练耗时与模型精度。另外,本文还提出了一种对自注意力机制的改进,实验表明改进后的模型的精度有所提升。最后,提出了一个基于舆论文本数据与股票数值数据的混合模型,并与数据采集模块共同构成一个预测系统。该模型同时处理文本数据与数值数据,并在最终一部分添加了堆叠式循环神经网络与高速公路网络结构,可处理多日时长跨度的数据,该模型称为基于改进自注意力机制的双向LSTM与CNN分层混合模型。最终的实验结果表明,本文提出的模型可在5日时长的数据上达到59.2%的二分类正确率。