股票市场是反映国家经济情况的晴雨表,股价趋势也受到广大金融投资者的密切关注,因此对于股价的预测始终是非常重要且热门的主题。传统的股票分析主要是基于技术面和账面价值的分析。前者主要寻求依靠股价在时间周期上的波动来发觉价格变动规律,后者追求的是股票能带来的现实股利和账面价值。更进一步的办法是结合上述因素再构建的量化模型,通过因子筛选构建数学模型以解决预测问题。随着近年来深度学习技术的飞速发展,其自我优化,更擅长于解决非线性问题的优势越来越受到关注和应用。正是因为深度学习的这些突出优势,激发了学者们通过深度学习方法来预测股价。通过实践证明,不同类型的深度学习模型均有效提高了预测精度。本文将结合经验模态分解方法和卷积神经网络构建模型,用于预测股票价格趋势。本文首先回顾了各个类别股票估值的方法,从传统的技术分析和自身账面价值分析,到量化因子模型和机器学习的模型,是一个不断对股票估值认知提升的过程。再回顾了卷积神经网络近些年来的发展,主要从斩获了竞赛大奖,并且预测效果突出的模型出发。这些模型的结构更复杂,处理数据的能力更强。同时也简析了近来具备代表性的,有关金融价格预测的,深度学习模型的思路与方法。其次本文详细介绍了与之相关的两个重要原理。一个是经验模态分解,这是一种信号分解的经验方法,适合将不同波长的信号波分解,对于金融时间序列数据,能够分解成不同时间尺度上的信息。另一个是卷积神经网络,是一种利用卷积局部感受数据,利用池化对数据降维,非常适合于二维数据的深度学习模型。然后基于上述两个强有效的方法,本文构思并提出一个新的股价趋势预测模型。模型选取了沪深300指数来预测其未来5天的涨跌情况。先是利用经验模态分解将单一金融时间序列数据拆解为二维数据,再把类同于图像的二维数据输入卷积神经网络模型训练。通过对模型优化方法的研究,主要在权重初始化,激活函数选取,丢弃层（dropout）,优化算法选取,小批次梯度下降方法,提前结束训练方法等方向进行优化尝试,取得了61%的预测精度。