对股票价格的准确预测一方面有助于决策者判断当前的经济形势,另一方面有助于投资者获取收益。但是对股票价格进行准确预测是非常困难的,因为股票价格是非平稳、非线性且随机游走的时间序列,难以用传统的时间序列模型拟合。随着神经网络的快速发展,神经网络强大的学习能力使其在很多领域都大放异彩,很多学者研发出各种神经网络模型用于股票市场的预测,包括多层感知机模型、卷积神经网络模型以及专门预测时间序列的递归神经网络模型等等,但是这些模型存在特征提取困难、预测精度较低和解释力较弱等问题。为了解决这些问题,本文将注意力机制引入递归神经网络模型,注意力机制可以给各时间维度的信息赋予不同权重,区分不同信息对预测的重要程度,从而提升递归网络模型的可解释性和预测精度。在实证部分,本文分别构造了多层感知机模型、卷积神经网络模型、循环神经网络模型、长短期记忆神经网络模型、门控循环单元网络模型、基于注意力机制的循环神经网络模型、基于注意力机制的长短期记忆神经网络模型和基于注意力机制的门控循环单元神经网络模型,针对上证综指做收盘价的预测,并在不同的参数条件下做了大量的对比试验,一方面探究注意力机制对神经网络模型预测性能的影响,另一方面为基于神经网络的股票预测模型给出具体的优化方向。实证结果表明,基于注意力机制的递归网络模型可以实现有重点地学习,提升学习效率的同时也提高了预测的精度和稳定性。