当前计算机技术的发展促使股票市场的研究进入新的阶段,神经网络机器学习算法被广泛使用在金融时间序列的预测中,其良好的非线性逼近能力和自学自适应等特点使其成为目前最流行的预测手段之一。其中,LSTM神经网络作为一种可实现的新型递归神经网络模型,其具备的选择性记忆性以及时序内部影响的特性极适用于股票价格时间序列的预测。文章基于对股票价格短期预测面临问题的分析以及对多种神经网络预测方法的比较,探讨Adam算法优化的LSTM神经网络对中国股票价格进行短期趋势预测的可行性,研究模型的适用性。文章具体选取的研究数据为中国股票市场中具代表性的3只股票指数以及18只成交量排名前列且市值较大的活跃个股,2010年8月2日至2018年5月31日的日K数据,数据包括日期、开盘价、收盘价、最低价、最高价以及日成交量6个属性。根据理论研究以及对比验证,LSTM神经网络模型能够通过学习股票市场历史数据的变化,找出时间序列之间的影响与关系,并能利用选择性记忆的高级机器学习功能,深入挖掘股票时间序列的内在规律,从而进行短期趋势预测。实验结果表明,虽然LSTM神经网络对中国股市个股预测具有一定程度的时间滞后性但其测量精度稳定保持在较高水平,具有十分优异的趋势预测能力。