Die Vorhersage von Aktienkursbewegungen stellt eine herausfordernde Aufgabe dar: Der Markt ist stark stochastisch, und wir müssen zeitlich abhängige Vorhersagen aus chaotischen Daten ableiten. Wir berücksichtigen diese drei Komplexitäten und stellen ein neuartiges tiefes generatives Modell vor, das Text- und Kurssignale gemeinsam nutzt, um diese Aufgabe zu lösen. Im Gegensatz zu herkömmlichen Ansätzen der diskriminativen Modellierung oder der Themenerkennung führt unser Modell rekurrente, kontinuierliche latente Variablen ein, um die Stochastizität besser zu erfassen, und verwendet neuronale variationalen Inferenz, um die intractable posterior Inferenz zu bewältigen. Zudem präsentieren wir ein hybrides Ziel-Funktionssystem mit zeitlichen Hilfskomponenten, um prädiktive Abhängigkeiten flexibel zu erfassen. Wir demonstrieren die state-of-the-art-Leistung unseres vorgeschlagenen Modells anhand eines neuen Datensatzes zur Aktienkursvorhersage, den wir selbst gesammelt haben.