作为金融领域与数据分析的一个重要分支,股票价格预测对揭示金融市场的客观规律具有重要的意义。由于股票市场本质上是动态、非线性的,同时还会受随机事件的影响,如何准确地预测股价走势仍是金融、计算机等领域最具挑战的任务之一。近年来,随着大数据分析和人工智能技术的发展,人们有望利用这些技术在股价走势预测任务上取得进展。现有大部分研究主要使用深度学习模型从整个股价序列数据中提取全局特征。然而股票价格数据不同于其他类型的数据,会受到不同时期的局部交易行为影响,因而,仅仅提取股价序列的全局特征可能会忽略一些重要的局部特征,从而影响模型的预测性能。为解决上述问题,本文旨在研究如何提取股价序列的局部特征,并利用这些局部特征提升模型在股价走势预测任务上的性能。论文主要工作如下:1.本文首次将传统的局部特征描述子用于股价预测任务中,利用不同长度的时间窗以及多种局部特征描述子全方面获取股价序列的多尺度局部特征序列,随后提出多分支长短期记忆网络（LSTM）和层次化注意力机制利用和融合不同尺度的局部特征序列。在融合过程中,首先利用注意力机制融合同一尺度下局部特征时序信息,接着融合不同序列间的多尺度信息,从而提升模型在股价走势预测任务上的准确度。数值结果表明,在基于局部特征描述子的情况下,该模型在性能上超过了现阶段股价预测的主流模型。2.本文从另外一个角度出发,利用卷积操作,以更加灵活通用的方式自动提取股价序列的局部特征,并设计出一种多分支卷积网络结构,可以使用不同尺度的卷积核来捕获序列中多尺度的感受野,进而更好地发挥股价序列局部特征的能力;其次,为保留股价序列中的时序信息,本文使用LSTM提取股价序列的特征,并与卷积特征相融合从而使最终特征表达更加丰富;最后,为提升模型的鲁棒性,本文引入对抗学习机制提升模型的预测性能。实验结果表明该模型结构在跟其他股价预测主流模型相比同样具有更好的性能。