Predecir las tendencias bursátiles ha captado una atención extensa de inversores e investigadores debido a su potencial para optimizar los rendimientos de inversión en acciones. La fluctuación de los precios de las acciones es compleja e influenciada por múltiples factores, lo que presenta dos desafíos principales: el primer desafío radica en la dependencia temporal de las acciones individuales y la correlación espacial entre múltiples acciones. El segundo desafío surge de la falta de disponibilidad de datos históricos suficientes para las acciones recién listadas. Para abordar estos desafíos, este artículo propone un transformador de hipernetworks espacio-temporales (STHformer). El modelo propuesto emplea un codificador temporal con un módulo de agregación para capturar patrones temporales, utiliza autoatención para generar dinámicamente hiperedges, y selecciona la atención cruzada para implementar la convolución asociada al hipernetwork. Además, se implementa un preentrenamiento basado en la reconstrucción de secuencias enmascaradas. Este marco mejora la capacidad de inicio en frío del modelo, haciéndolo más adaptable a las acciones recién listadas con datos de entrenamiento insuficientes. Los resultados experimentales muestran que el modelo propuesto, después del preentrenamiento con datos de más de dos mil acciones, tuvo un buen rendimiento en conjuntos de datos de los mercados bursátiles de Estados Unidos y China.