Predecir con precisión la volatilidad de los precios de los activos financieros y explorar sus leyes de movimiento tiene una profunda significación teórica y práctica para la alerta temprana de riesgos en el mercado financiero, la fijación de precios de activos y el diseño de carteras de inversión. Los métodos tradicionales están plagados por el problema de un rendimiento de predicción deficiente o de optimización de gradientes. Este artículo propone un nuevo método de predicción de volatilidad basado en atención multi-cabeza escasa (SP-M-Attention). Este modelo descarta la estrategia de modelado bidimensional de tiempo y espacio del modelo clásico de aprendizaje profundo. En su lugar, la solución es incrustar un módulo de cálculo de atención multi-cabeza escasa en la red. Las principales ventajas son que (i) utiliza las ventajas inherentes del mecanismo de atención multi-cabeza para lograr computación paralela, (ii) reduce la complejidad computacional a través de mediciones escasas y compresión de características de la volatilidad, y (iii) evita los problemas de gradiente causados por la propagación a largo plazo y, por lo tanto, es más adecuado que los métodos tradicionales para la tarea de análisis de series temporales largas. Al final, el artículo realiza un estudio empírico sobre la efectividad del método propuesto a través de conjuntos de datos reales de los principales mercados financieros. Los resultados experimentales muestran que el rendimiento de predicción del modelo propuesto en todos los conjuntos de datos reales supera a todos los modelos de referencia. Este descubrimiento ayudará en la gestión del riesgo financiero y en la optimización de estrategias de inversión.