股票市场预测是一个高度非线性工程,相比于传统的统计学方法,神经网络在处理非线性问题方面有着优势,这得益于神经网络的高度自学习性和超强的非线性拟合能力。本文首先分析了股票短期预测的难点,股价受众多因素影响,因此建立的模型必须能够加入尽可能全面的影响因素。众多技术指标(MACD、KDJ、BR等)是投资者重点关注的对象,因此都应该基于股票的日线数据计算出来,并加入到数据特征之中。国内学者对股票市场的预测主要使用BP网络及其改进算法,LSTM在国内股票市场预测的研究非常罕见,大多被用于自然语言处理方面,没有被有效地运用到股市预测中来。而事实上LSTM是非常适用于时间序列分析预测的一种循环神经网络。本文基于LSTM设计的预测模型使用上证指数进行训练和调优,使用前14日的股价数据及其计算出的技术指标作为特征对第15日的股票收盘价涨幅进行回归预测,最终模型的预测准确率为63.38%。并且预测值作为收盘价涨幅可以结合训练过程中得到的涨幅预测误差值,一起提供给投资者作为参考,具有一定的创新性和实用价值。同时为了验证模型对于A股大盘指数的普适性,又实证测试了其他几个A股重要指数(深圳成指、沪深300、中小板指),得到的平均预测准确率在60%以上,充分验证了所设计的模型的有效性。