El sistema de índices existente para la predicción de la volatilidad solo se centra en series de retorno de activos o volatilidad histórica, y el modelo de predicción no puede describir de manera efectiva las características altamente complejas y no lineales del mercado de valores. En este estudio, construimos un factor de atención del inversor a través de un índice de búsqueda de Baidu de palabras clave antecedentes, y luego combinamos otra información comercial como el volumen de operaciones, indicador de tendencia, tasa de cambio de la cotización, etc., como indicadores de entrada, y finalmente empleamos el modelo de aprendizaje profundo a través de redes convolucionales temporales (TCN) para predecir la volatilidad en datos financieros de alta frecuencia. Encontramos que la precisión de predicción del modelo TCN con atención del inversor es mejor que la de aquellos modelos TCN sin atención del inversor, el modelo econométrico tradicional como la heterocedasticidad condicional autorregresiva generalizada (GARCH), el modelo autorregresivo heterogéneo de volatilidad realizada (HAR-RV), modelos autorregresivos de media móvil fraccionalmente integrada (ARFIMA), y el modelo de memoria a corto y largo plazo (LSTM) con atención del inversor. En comparación con los modelos econométricos tradicionales, los resultados de predicción a varios pasos para el modelo TCN siguen siendo robustos. Nuestros hallazgos proporcionan un método más preciso y robusto para la predicción de la volatilidad en big data y enriquecen el sistema de índices de predicción de volatilidad.