随着互联网不断深入人们的生活,股票市场越来越受到互联网信息的影响,投资者们会通过互联网来阅览相关股票新闻,了解相关公司的发展动向,还会通过网络互相交流信息。因此,传统依赖于股票交易量化交易的股市波动预测方法难以充分利用有效的市场信息,而考虑互联网信息的影响有助于提升股市波动预测性能。然而有效融合多源异构信息仍面临诸多挑战。为此,本文主要针对在股票波动预测问题开展多源数据融合技术的研究,基于广度学习的思想提出股票波动预测模型来提升股票预测精度。本文提出的股票预测框架是基于耦合隐马尔可夫模型的,该模型一方面融合了股票量化信息和股票新闻事件信息,一方面考虑了股票之间的关联关系,可以有效缓解数据稀疏的问题,另外,为了进一步利用股票间的关联关系,以及股价变化在时序上的关联关系,本文还提出了一种基于时间和空间的两维修正算法,对耦合隐马尔可夫模型的结果做进一步修正。同时为了解决概率图模型计算量大计算速度慢等问题,提出了基于LSTM的局部近似方法,可以有效提升预测速度。同时,提出了一种基于二分图的最大共识预测方法,可以针对本文基于似然值的预测方法做到精度上的提升。最后,本文利用CSI002015年数据在本文提出的框架上做了效果验证,结果表明我们的方法可以有效的提升模型预测准确度。