Im Finanzbereich beruhen Risikomodellierung und Gewinngenerierung stark auf der komplexen und anspruchsvollen Aufgabe der Vorhersage von Aktienkursbewegungen. Die Aktienprognose ist aufgrund der stochastischen Dynamik und der nicht-stationären Verhaltensweisen des Marktes äußerst herausfordernd. Aktienkursentwicklungen werden nicht nur durch die klassisch untersuchten historischen Kurse beeinflusst, sondern auch durch diverse Faktoren wie soziale Medien und Beziehungen zwischen Aktien. Die zunehmende Verbreitung von Online-Inhalten und Wissen erfordert die Entwicklung von Modellen, die solche multimodalen Signale berücksichtigen, um präzise Aktienprognosen zu ermöglichen. Wir stellen eine Architektur vor, die chaotische zeitliche Signale aus Finanzdaten, sozialen Medien und interaktiven Beziehungen zwischen Aktien hierarchisch zeitlich über eine Graph Neural Network (GNN) verarbeitet. Anhand von Experimenten mit realen Daten des S&P 500-Index und englischsprachigen Tweets zeigen wir die praktische Anwendbarkeit unseres Modells als Werkzeug zur Unterstützung von Investitionsentscheidungen und Handelsstrategien.