随着经济的发展,人民生活质量逐渐提高,越来越多的人开始进入金融市场。作为金融市场的重要部分,证券市场因其收益高、风险大等特点,倍受相关研究者和投资者的关注。近年来,深度学习技术在自然语言处理、图像识别等领域有了突破性的发展,深度学习技术也逐渐被应用到其他领域,股票预测就是其中之一。股市预测是对股票价格走势进行预测,它通常被作为时间序列预测问题。深度学习中的长短期记忆模型（LSTM）由于在序列数据处理方面能力突出,近年来已被许多研究者用于股票预测。自然语言处理的发展使得对文本数据的特征表示更有效,因而股票新闻等数据逐渐被纳入股票预测中。考虑到基于LSTM的股票预测模型不能处理股票之间的相关性,所以本文在LSTM之前引入自注意力机制（Self Attention）构建出SALSTM模型,使得模型具有处理时空依赖性的能力,并将其用于股票预测中。本文的主要贡献如下:第一,本文从优矿网下载了股票交易数据,并且利用Scrapy爬虫框架从金融界网站获取了新闻数据。对于新闻数据,本文使用BERT对其进行特征表示,然后由LSTM处理所得的新闻特征序列从而得到相应时段的新闻综合表征。对于交易数据,本文结合自注意力与LSTM构建出能处理时空依赖性的SALSTM模型,然后用其处理交易数据序列从而获得相应时段的交易数据综合表征。第二,在获取了交易数据综合表征和新闻数据综合表征后,本文将它们有效地融合得到一段时间内的综合表征,然后将其输入最终以Sigmoid为激活函数的全连接网络中,从而得到多只股票的涨跌情况的预测值。实验结果表明,与LSTM、TCN、Conv LSTM等基线模型相比,我们所提出来的SALSTM模型具有较好的性能。