La prediccion de rango de acciones es una tarea importante y desafiante. Recientemente, los metodos de prediccion basados en graficos han surgido como un enfoque valioso para capturar las complejas relaciones entre las acciones. Los trabajos existentes principalmente construyen graficos relacionales estaticos no dirigidos, lo que conduce a dos inconvenientes principales: (1) pasar por alto los efectos asimetricos bidireccionales de los datos de acciones, es decir, los mensajes financieros se afectan mutuamente de manera diferente cuando ocurren en diferentes nodos del grafico; y (2) no capturar las relaciones dinamicas de las acciones a lo largo del tiempo. En este documento, proponemos un metodo de Grafico Dinamico Temporal Multi-modal (MTDGraph). MTDGraph considera de manera integral las relaciones bidireccionales de datos de acciones multi-modales (precio y textos) y modela las relaciones variables en el tiempo. En particular, generamos la fuerza de la relacion textual a partir de la sensibilidad al tema y los incrustamientos de temas de texto. Luego, inyectamos un factor de causalidad a traves de la entropia de transferencia entre los incrustamientos secuenciales historicos de acciones interrelacionadas como la fuerza de la relacion historica. Posteriormente, aplicamos tanto las fuerzas de relacion textual como historica para guiar la propagacion de informacion multi-modal en el grafico. El marco del metodo MTDGraph consiste en la capa de incrustacion secuencial a nivel de acciones, la capa de incrustacion de relaciones entre acciones basada en la construccion de graficos dinamicos temporales y la capa de fusion de informacion multi-modelo. Finalmente, MTDGraph optimiza la perdida de regresion punto a punto y la perdida de clasificacion consciente del rango para obtener la lista de rango de acciones adecuada. Validamos empiricamente MTDGraph en el conjunto de datos disponible publicamente, CMUN-US y lo comparamos con baselines de ultima generacion. El metodo propuesto MTDGraph supera a los metodos de referencia tanto en precision como en ingresos de inversion.