随着我国股票市场的飞速发展和人均可支配收入的提高,人们对炒股的热情日益高涨,我国证券市场投资者的数量已突破2亿。作为金融和计算机科学交叉领域的经典问题,股票价格预测一直受到股票投资者和学者们的关注。正确的预测结果可以为投资者提供有价值的指导,从而降低投资的风险,所以股票价格预测是一项有重要意义的研究,具有广阔的应用前景。但股票市场是一个复杂的市场,股票价格数据具有高噪声、非线性的特点,所以股票价格预测的研究也非常具有挑战性。在众多的预测模型中,基于分解的混合模型展现出了优越的性能。然而,现有的基于分解的混合模型普遍存在数据泄漏问题,会导致模型存在前视偏差。此外,股票价格数据流具有概念漂移现象,随着时间推移其数据分布会发生改变,但传统的预测方法不能很好得处理这一现象。本文提出了一种新的股票价格预测方法VML,该方法结合了变分模态分解（VMD）、模型无关的元学习算法（MAML）和长短期记忆网络（LSTM）。VML模型首先使用滑动窗口对股票价格序列进行切分得到多个窗口序列,再采用变分模态分解对窗口序列进行分解得到多个子序列。之后,将分解的子序列数据划分为多个任务,模型无关的元学习算法在源任务集上为长短期记忆网络训练一个泛化能力很好的初始参数θ。初始参数为θ的长短期记忆网络会在每个目标任务的支持集上进行微调以更适应其数据分布,并对目标任务的查询集进行预测。最后,模型将子序列的预测结果进行合并以得到最终的股票价格预测。本文在中国市场和美国市场的股票数据集上进行了大量实验,结果表明构建的VML模型提高了预测的准确性。在本文提出的VML模型中,不再对整个股票序列进行分解,而是以窗口序列为对象进行分解,消除了前视偏差。此外,本文将元学习引入到股票价格预测问题中,使模型能够根据最新的数据分布进行动态微调,从而降低了概念漂移对模型预测精度的影响,这为股票价格预测提供了一种新思路。同时,为了在股票价格预测问题上使用元学习的方法,本文定义了一种将股票价格数据划分为任务的方式。