深度学习算法作为机器学习领域内的一个重要分支,推动了社会信息化的发展,为人们的生活带来了诸多的便利,因而得到了国内外众多学者的关注。在某些特定的场景中,使用深度学习算法在处理图像及语音识别的问题时比人类表现得更好。此外,相比传统的统计学与计量经济学构建的模型,深度学习算法凭借其自身良好的非线性拟合能力以及对多种混合信息的综合处理能力,在处理股票市场这个具有多变量的非线性动态信息系统的时候,往往可以提供更加合理可靠的分析及预测结果。变动的股票价格可以看作是一种前后关联性很强的时间序列数据,而循环神经网络可以很好的处理此类数据。在此基础上,本文对多种循环神经网络进行了研究及对比分析,对长短期记忆神经网络LSTM的网络结构进行了改进,依此设计了一个面向股票价格预测的深度学习模型。主要的研究工作可分为以下几点:根据深度学习的发展以及当前的应用现状,并着重针对深度学习算法应用于各个股票市场的研究按照基于限价委托单的模型、基于价格的分类模型、基于文本的分类模型、基于波动的预测模型以及投资组合优化模型五大类做了分类总结整理。并且选定基于波动的价格预测模型作为本次实验的基础。选定循环神经网络算法进行学习与研究。结合股票市场价格自身具有的长时序性、多变量因素影响以及非线性动态变化的特性,本文决定以具有长周期记忆功能以及短周期内特殊信息的调整功能的LSTM长短期记忆神经网络模型作为基础,从门结构以及信息输入保留的方式两方面进行改进与创新,提出了一种新的门结构设计尝试—选择性更新的长短期记忆神经网络模型SULSTM。基于改进得到的SULSTM神经网络,本文设计并实现了一个多隐藏层的价格预测神经网络模型。通过使用股票的开盘价、最高价、最低价、收盘价、成交量等多种金融数据来对股票价格进行预测。并使用RNN、LSTM、GRU等多个循环神经网络模型进行价格预测对比实验,发现改进后的SULSTM模型可以在股票价格的预测问题中取得不错的效果。同时相比于改进前的LSTM模型来说,在训练效率、训练损耗以及最终价格预测等多方面都有较高的性能提升。