随着我国经济的快速发展,居民可支配收入的增加,投资理财需求迅速上升。股票投资凭借其相对更高的收益率,已经成为主要的投资理财方式之一。股市具有促进经济发展、优化资源配置等社会功能,一直受到学术界的重点关注。已有多类算法模型应用到股票预测中,模型所用数据源的范围也不断得到扩展。股票市场作为一个复杂非线性系统,受到多种信息源的影响,各种信息的影响最终体现在股价变动中。一个高性能的股票预测系统应保证信息源的多样性,并可以将不同信息源有机融合,而在现有研究中,由于不同类型信息融合的难度,往往基于单一信息源建立股票预测模型,限制了模型性能。针对该问题,为探索多信息源在股票预测中的应用,本文在考虑层级性、覆盖性与代表性的前提下选择数据源并构建多类特征,利用LSTM深度神经网络建立一个多特征股票趋势预测模型以预测个股次交易日涨跌趋势。本文分析股票相关多类数据源,根据模型需要选择股票历史数据、财经新闻、股票类社交舆情三类信息源,确定基础数据类特征与金融文本类特征的构建方法;根据金融文本类特征构建需要,基于LSTM网络的不同结构建立舆情文本情感分析模型与财经新闻文本表征模型:前者获取社交舆情的情感倾向类别,后者提取财经新闻隐含文本特征;建立融合多特征的股票趋势预测模型,基于文本处理结果构建金融文本类特征,选择具有代表性的股票技术指标作为技术指标特征,使用EMD算法与模糊熵算法分解重构股票收盘价序列得到隐含信号特征,根据所得多特征的特点将其输入不同的LSTM网络,并将LSTM网络与全连接神经网络融合,以此构建股票趋势预测模型,获得个股涨跌趋势。本文基于Python环境对上述研究进行实证分析。实现网络爬虫获取金融文本,通过对金融文本处理模型的实验分析验证对财经新闻与社交舆情信息源处理的有效性。实现股票趋势预测模型并对上证50指数内个股的涨跌趋势进行预测。实验结果表明本文所构建的多特征模型在F1值指标上优于对比模型。且在对比实验中发现,大多数情况下随着数据源的增加,同一模型的预测准确性获得提升,证明了多数据源的合理性。