La predicción del precio de las acciones ha sido durante mucho tiempo un tema de interés en la academia y la industria financiera. Numerosos factores influyen en los precios de las acciones, como el rendimiento de una empresa, el desarrollo de la industria, las políticas nacionales y otros factores macroeconómicos. Estos factores son difíciles de cuantificar, lo que dificulta predecir los movimientos de los precios de las acciones. Este documento presenta un novedoso marco de red neuronal profunda que aprovecha la fusión dinámica de características multidimensionales y multinivel para la predicción del precio de las acciones, lo que significa que utilizamos datos comerciales fundamentales e indicadores técnicos como datos multidimensionales e información multinivel local y global. En primer lugar, el modelo asigna dinámicamente pesos a las características multidimensionales de las acciones para capturar el impacto de cada característica en los precios de las acciones. A continuación, aplica la transformada de Fourier a las características globales para capturar las tendencias a largo plazo del entorno global y fusiona dinámicamente estas características con las características locales y globales de las acciones para capturar el impacto del entorno general del mercado en las acciones individuales. Finalmente, las características temporales se capturan utilizando una capa de atención y un modelo basado en RNN, que incorpora datos de precios históricos para predecir precios futuros. Los experimentos en acciones de varias industrias dentro del índice CSI 300 chino revelan que el modelo propuesto supera a los métodos tradicionales y otros enfoques de aprendizaje profundo en términos de predicción del precio de las acciones. Este documento propone un método que facilita la integración dinámica de características multidimensionales y multinivel de manera eficiente y los resultados experimentales muestran que mejora la precisión de las predicciones de precios de las acciones.