股票数据往往是按照时间变化的数据，通过历史数据的变化趋势来对未来进行预测。对这种针对历史数据间存在依赖关系建模的方式称为时间序列模型。除了金融数据以外，天气预测，地震预测等等都是时间序列模型。 除了传统的时间序列算法建模（如arima,garch）以外，越来越多的研究者开始使用深度学习来解决时间序列的预测问题。对于金融时间序列预测这种复杂模式的难题，深度学习能更好的捕捉到其内在的规律。 本项目将使用一种基于seq2seq模型（encoder和decoder模型），并结合注意力机制的方法来进行时间序列的预测。该时间序列模型将应用到股票数据上，对股票的价格进行预测。