股票市场是金融市场关键组成部分，因此对股票市场波动的研究对合理化控制金融市场风险、提高投资收益提供了重要支持，一直以来都是学术界和相关业界的关注焦点，然而，股票市场会受到各种因素的影响。面对股票市场中多源化、异构化的信息，如何高效挖掘、融合股票市场的多源异构数据具有挑战性。为了充分解释不同信息及信息间相互作用对于股票市场价格波动的影响，提出一种基于多重注意力机制的图神经网络来预测股票市场的价格波动。首先，引入关系维度构建股票市场交易数据和新闻文本的异构子图，并利用多重注意力机制实现图数据的融合；其次，通过图神经网络门控循环单元（GRU）进行图分类，在此基础上完成对股票市场中上证综合指数、沪深300指数、深证成份指数这三个重要指数波动的预测。实验结果表明，从异构信息特性角度，相较于股票市场交易数据，股市新闻信息对于股票价格影响存在滞后性；从异构信息融合角度，所提方法与支持向量机（SVM）、随机森林、多核k-means （MKKM）聚类等算法相比，预测准确率分别提升了17.88个百分点、30.00个百分点和38.00个百分点，并进行了模型交易策略的量化投资模拟。

针对支持向量机（SVM）、长短期记忆（LSTM）网络等智能算法在股市波动预测过程中股票评价特征选择困难及时序关系维度特征缺失的问题，为能够准确预测股票波动、有效防范金融市场风险，提出了一种基于改进遗传算法（IGA）和图神经网络（GNN）的股市波动预测方法——IGA-GNN。首先，利用相邻交易日间的时序关系构建股市交易指标图数据；其次，通过评价指标特性优化交叉、变异概率来改进遗传算法（GA），从而实现节点特征选择；然后，建立图数据的边与节点特征的权重矩阵；最后，运用GNN进行图数据节点的聚合与分类，实现了股市波动预测。在实验阶段，所研究的股票总评价指标数为130个，其中IGA在GNN方法下提取的有效评价指标87个，使指标数量降低了33.08%。应用所提IGA在智能算法中进行特征提取，得到的算法与未进行特征提取的智能算法相比，预测准确率整体提升了7.38个百分点；而与应用传统GA进行智能算法的特征提取相比，应用所提IGA进行智能算法的特征提取的总训练时间缩短了17.97%。其中，IGA-GNN方法的预测准确率最高，相较未进行特征提取的GNN方法的预测准确率整体提高了19.62个百分点；而该方法与用传统GA进行特征提取的GNN方法相比，训练时间平均缩短了15.97%。实验结果表明，所提方法可对股票特征进行有效提取，预测效果较好。