股票市场的发展与我国的经济建设密切相关,企业可以通过股票融资,投资者可以通过投资股票实现财富增值。但是股票投资收益的不确定性可能会带来大量亏损的风险。因此,合理分析并预测股票市场未来走势能帮助投资者规避风险、科学决策。目前基于时序分析实现股票走势预测的方法是一大研究热点,在众多时序预测方法中,深度学习模型因其对复杂特征的自适应提取能力获得了研究者们的青睐。本文将基于股票市场的特点,在现有时序模型基础上结合深度学习方法进行改进,进而完成股票走势预测模型的研究与实现。本文首先调研了股票数据的特点和股票历史交易数据的采集方式,然后通过Tushare Pro平台提供的金融数据接口获取了 A股市场多种信息类型的股票交易数据,并构建了多特征的股票数据集。然后,根据我国股市中的“同涨同跌”现象,本文提出了基于股票走势相似性进行股票聚类的方法。首先分析了常见的几类无监督聚类算法和股票聚类可能存在的问题,然后基于AP聚类算法进行了改进,提出了面向大数据集的股票走势相似性聚类算法,实现了对A股市场上千支股票的走势相似性分析和股票聚类。在模型层面,本文基于常见的时序预测方法,分析了现有股票走势预测模型的不足,从特征提取的角度,提出了基于多尺度时序特征融合的股票走势预测模型。通过学习全局粗粒度特征和局部细粒度特征的综合影响来训练模型,提升了股票走势预测的准确度。最后,本文基于聚类结果以簇为单位构建了多特征数据集,并在此基础上采用量级式的实验参数配置训练模型,然后通过探究实验证明了聚类算法的有效性,以及通过与其他模型的对比实验证明了本文提出模型的有效性。最后通过制定选股交易策略,结合量化交易平台进行回测分析,证明了本文提出的模型在辅助投资者交易决策中具有一定的参考价值。