Die Vorhersage von Aktienkursverläufen spielt eine entscheidende Rolle bei der Maximierung des Gewinns aus Aktieninvestitionen. Allerdings ist eine präzise Trendvorhersage äußerst schwierig aufgrund der hochgradigen Volatilität und Nicht-Stationarität des Aktienmarktes. Die explosionsartige Zunahme an Informationen im Internet sowie die fortschreitende Entwicklung von Techniken zur natürlichen Sprachverarbeitung (Natural Language Processing) und Textmining ermöglicht es Investoren, Markttrends und -volatilität aus Online-Inhalten zu erschließen. Leider variiert die Qualität, Zuverlässigkeit und Vollständigkeit von Online-Inhalten, die sich auf den Aktienmarkt beziehen, stark, wobei ein großer Teil aus niedrigwertigen Nachrichten, Kommentaren oder sogar Gerüchten besteht. Um dieser Herausforderung gerecht zu werden, imitieren wir den Lernprozess von Menschen, die mit solchen chaotischen Online-Nachrichten konfrontiert sind, gesteuert durch drei Prinzipien: sequentielle Inhaltsabhängigkeit, vielfältiger Einfluss und effektives und effizientes Lernen. In dieser Arbeit haben wir, um die ersten beiden Prinzipien abzubilden, ein Hybrides Aufmerksamkeitsnetzwerk (Hybrid Attention Networks) entwickelt, das Trends von Aktienkursen basierend auf einer Sequenz jüngster relevanter Nachrichten vorhersagt. Darüber hinaus wenden wir das Mechanismus des selbstgesteuerten Lernens an, um das dritte Prinzip nachzubilden. Ausführliche Experimente mit realen Börsendaten zeigen die Effektivität unseres Ansatzes.