La predicción del movimiento de los precios de las acciones es un área de investigación popular en campos académicos e industriales debido a la naturaleza dinámica, altamente sensible, no lineal y caótica de los precios de las acciones. En este documento, construimos un modelo de red neuronal convolucional basado en una máquina de factorización profunda y un mecanismo de atención (FA-CNN) para mejorar la precisión de la predicción del movimiento de los precios de las acciones a través del aprendizaje mejorado de características. A diferencia de la mayoría de los estudios anteriores, que se centran solo en las características temporales de los datos de series temporales financieras, nuestro modelo también extrae interacciones intradiarias entre las características de entrada. Además, en la representación de datos, utilizamos el índice de subindustria como información complementaria para el estado actual de la acción, ya que existe una co-movimiento de precios de acciones entre acciones individuales y su índice de industria. Los experimentos se realizaron en acciones individuales en tres industrias. Los resultados mostraron que los inputs adicionales de (a) las interacciones intradiarias entre las características de entrada y (b) la información del índice de subindustria mejoraron efectivamente la precisión de la predicción. La precisión de predicción más alta del modelo FA-CNN propuesto es del 64.81%. Es un 7.38% más alta que la del LSTM tradicional y un 3.71% más alta que la del modelo sin el índice de subindustria como características de entrada adicionales.