中国金融市场环境错综复杂,不仅受国家金融政策的调控,受国际金融股指期货和货币市场等的干扰,还会受到投资者情绪、技术革新等环境的影响。从个股而言,环境因素更加错综复杂,不仅受企业经营现状影响,还可能会受到同行业其它上市企业金融价格波动的影响。行业环境是企业管理中的重要内部环境,同行业的企业作为市场中的竞争者或合作者,在现实市场中相互联系紧密,在金融市场也应该息息相关。但具体是什么关系,仍是待解决的问题。金融预测科学是金融管理决策的重要分支,预测个股价格是在实际金融交易过程中的有效金融风险控制手段之一。虽然前人有大量预测研究,但考虑行业环境因素对个股的股票价格进行预测仍是研究的空白。银行业是国家经济安全的基石,是国家金融健康发展的保障,是国民经济发展的命脉,在我国直接受到中央银行的干预和管理。截至2020年2月7日Wind数据库统计,中国银行业上市企业市值达到10.33万亿元,占66个行业总市值的13.9。考虑到该行业的重要性和上市企业的庞大规模,市场波动带来的风险将会更大,因此,一个盈利的银行业个股交易策略对国有资产的增值保值极具参考意义。本文以中国银行业为例,选取建设银行（SH601939）作为预测标的,以13家其他上市银行代表搭建行业环境,预测建设银行第二天收盘价的交易策略。为了处理时间序列的模态混叠问题,变分模态分解（VMD）被作为一种基本的数据处理方法,并提取8个子序列作为预测指标的补充。股票开盘价、收盘价、最高价、最低价和成交量是常用的金融预测指标。为了避免环境因素中的指标过多,本文只选取收盘价作为预测指标。因此,收盘价和VMD分解后的8个子序列就是常规的预测信息。为了将环境信息考虑进预测系统中,本文提出了基于一个预测模块和一个环境模块的混合变分模态分解和堆栈的门控制递归神经网络（VMD-StackedGRU）模型。其中,个股信息（建设银行的收盘价和8个子序列）输入预测模块,行业环境信息（13家银行的收盘价和8个子序列）输入到预测模块中,最后对目标股票的收盘价的交易策略进行预测。美国银行业的泛化测试等结果都证明,所提出的模型能够显著提高预测性能,而环境模块单独并不能起到重要作用,也不能与预测模块起到同等的作用。本文的发现填补了基于局部行业环境预测金融价格的空白,混合神经网络框架是基于行业环境的金融价格预测的一种新的应用,具有很强的泛化推广能力,可以为金融预测科学研究提供极大的决策参考价值。盈利的交易策略和准确的预测对于对冲市场波动的风险、促进中国金融市场的健康发展、为投资者和投资机构带来巨大的经济回报都有着重要决策参考意义。对于上市企业而言,金融风险管理是企业管理的重要内容,有效预测交易机会对推行员工持股计划等企业金融投资有重要风险辅助管理作用。