在自然语言处理中，有大量的未标记文本。当计算机处理文本时，有必要将文本转换成计算机能够理解的格式。因此，研究人员提出了“单词向量”，它使用一系列数字来表示单词。最简单的方法是one-hot向量，表示单词出现的位置为1，其余表示为0。但是这种方法有两个主要缺点:
1、词向量的维数等于字典的大小。如果字典很大，向量的维数就很大，从而使得计算不方便。
2、这种表示不能反映词与词之间的相似性，对文本处理和语境语义分析帮助不大。
在过去的股市预测中，输入的往往是单只股票或者单个指数。因此，输入维度不会太大。但当输入的是多只股票的历史数据时，输入维度会增加到几千甚至几百万。此时，如果我们直接利用这些原始信息来预测股市，可能会由于信息冗余和无关信息的影响而导致更大的误差。因此，我们引入了股票市场矢量化的概念，称为股票向量。股票向量指的是词向量的思想。首先对股票向量降维，然后在低维空间表示。最后，利用股票向量对股市进预测。
股票向量简单来说就是对词向量经过降维处理后的词向量，包含的信息更加具有相关性。
借鉴此，我们可以结合其他领域提出符合该领域的新的向量。
