股票作为一种重要的金融工具,其发展日渐成熟,各国的股票交易市场规模增长迅猛,交易金额以及交易频次不断刷新纪录。股票是上市企业筹集资金、社会公众投资获利的有效手段,而股票价格则被认为是上市公司的晴雨表。鉴于此,学界和业界对股票价格的预测和风险控制研究长期保持着相当的热度。注意到,股票价格的日常波动是在相当多的因素共同作用下的结果呈现,通常不建议将线性回归、平稳时间序列分析等经典的统计模型和方法直接用于股票价格的趋势预测。针对股票价格数据的特点,克服传统预测模型的不足,探索新的有效预测模型,有助于提振投资人的市场信心、营造更为积极健康的资本市场,具有一定的理论意义和应用价值。论文主要工作有:1.介绍了RNN神经网络和长短期记忆神经网络(LSTM)的前反向传播原理,从理论上阐述了利用RNN神经网络预测股票价格的缺陷以及采用长短期记忆神经网络(LSTM)建立股票预测模型的合理性。2.利用沪深300(000300)的股票数据训练本文所搭建的长短期记忆网络(LSTM)模型,包括模型输入层、输出层节点数的选择,隐藏层层数和节点数目的选择以及优化算法,学习率、过拟合方法、输入天数的选择。3.为了验证本文所搭建的长短期记忆神经网络(LSTM)模型在预测股票价格趋势时具有优秀的性能。选取了上证指数(000001)、深圳综指(399106)两只股票2010年2月1日至2019年1月31日交易日的开盘价格(Open)、收盘价格(Close)、最高价格(High)、最低价格(Low)以及成交量(Volume)5个维度的数据对比分析本文搭建的长短期记忆神经网络(LSTM)模型和RNN神经网络模型对于开盘价的预测性能,通过股票价格走势图以及三种性能评价指标RRMSE(相对均方根误差)、MAE(平均绝对误差)、MAPE(平均绝对误差百分比)证实了本文所搭建的长短期记忆神经网络(LSTM)模型在预测股票价格趋势时具有优秀的性能。