世界经济正处在快速发展阶段,金融业也随之不断发展,金融活动日益增多,其变化趋势的不确定性也在增加。如何通过学习和掌握金融活动规律,预测其未来的变化趋势,成为学术界和金融界的关注重点和主要研究内容。有效的金融预测可以为金融计划和决策的制定提供依据,维持金融市场的健康发展,使盈利机构的利益最大化。卷积神经网络是一种模拟生物视觉系统运行机制的多层神经网络结构。它是由多层卷积层和降采样层顺序连接构成的神经网络,能够从原始数据中获取有用的特征描述,是一种从数据中提取特征的有效方法。目前卷积神经网络已经成为语音识别、图像识别及分类、自然语言处理等领域的研究热点,并在这些领域有了广泛且成功的应用。因此本文引入卷积神经网络结构对金融时间序列数据进行预测。本文首先整理和总结了国内外关于金融时间序列的研究方法,简要介绍了人工神经网络和深度学习方法,并重点介绍了卷积神经网络和支持向量机的算法原理。然后改进卷积神经网络以适合金融时间序列数据,并建立卷积神经网络和支持向量机融合的混合模型,最后将两种预测模型应用于金融时间序列数据的预测中。本文主要的研究工作如下:(1)结合金融时间序列数据的特点,改进卷积神经网络,建立了适用于金融时间序列数据的卷积神经网络预测模型,并将模型应用于股票指数预测。研究了网络模型的相关参数对股票指数预测结果的影响;(2)改进卷积神经网络股票指数预测模型,将卷积神经网提取有效特征的优点与支持向量机良好的分类预测能力相结合,给出了一种卷积神经网络-支持向量机混合模型预测股票指数,提高预测精度;(3)建立了基于卷积神经网络的汇率预测模型,研究了模型参数对汇率预测结果的影响;将卷积神经网络-支持向量机混合预测模型应用于汇率预测中。通过仿真对比,验证本文给出的两种预测模型的可行性和有效性。