股票市场投资越来越受到互联网的影响。大量的相关研究表明,网络媒体的事件报导及社交网络中的消息传递会对投资者情绪和投资决策造成一定的影响。因此,股票波动趋势分析不仅要考虑量价数据,还应考虑网络舆情信息。为此,本文基于股票关联关系,融合包括互联网信息在内的多源异构数据,提出一种多任务学习的股票波动预测模型,以更加准确的预测股市波动。本文提出的预测框架首先基于张量结构对多源数据进行融合,张量的三个维度分别为新闻事件、社交网络中的投资者情感和股票的量化数据,该张量融合结构不仅可以捕捉异构数据间的内在联系,而且可以解决单源数据稀疏和缺失的问题。其次,利用股票属性之间存在的耦合关系定义一种股票相似性度量方式,股票相似性既包括同一股票对象在不同时间点之间的相似性,也包括同一时间点不同股票对象之间的相似性。此方法不仅在非数值型属性距离计算上具有优势,而且得到的关联关系更接近真实情况。第三,提出一种子模式协同算法(SMC),该算法基于股票相似性对张量分解后各个维度子平面进行修正,用以提升输入样本特征的质量。第四,利用基于张量的长短时记忆时间序列模型对股票波动趋势进行预测。最后,利用本文提出的预测模型在2015、2016年A股CSI100股票上和热门的13支港股上进行实验,结果表明我们的方法能够有效提升预测的准确率。