随着人工智能和经济的发展,市面上出现了越来越多的智能股票投资产品。这类产品基于人工智能算法,为用户提供股票推荐等功能。如果能够设计出有效的股票预测和股票推荐算法,将会进一步提升智能股票投资产品的实际用户体验,也会为人工智能和经济发展同时带来进步。为此本文开展了如下的几项工作。考虑到A股的涨跌非常容易受到多方面因素影响,所以本文融合了多个类型的特征,包括股票公司的基本面数据、股票的财报财务数据、股票的行情数据等。由于特征较多,所以需要对多种特征进行合理有效的特征选择以降低数据的维度,提取出重要特征并抛弃意义较小和引入噪音的特征。对此本文将对多种特征选择方法进行实验,找出对股票预测最有效的特征选择方法。另外为了对股票数据进行建模,本文设计了一系列的针对股票数据集的特征工程工作和数据集构造方案,构造了适合建模的数据集。模型方面,结合多种深度学习方法可以克服传统预测方法面临的许多困难与局限,同时避免人为因素的影响。本文首先使用传统机器学习方法(SVM、LR以及DNN)来对股票的非时序特征进行建模,并使用RNN和CNN类模型来对股票的时序相关特征进行建模。然后,本文提出了一种时序与非时序模型结合的深度模型,该模型可以同时处理非时序特征和时序特征,其“Wide”部分负责处理非时序特征,“Deep”部分负责处理时序相关特征。然后模型再对两部分提取到的特征统合建模。该模型在F1值等评价标准上高于其他基础模型。为了更加精准地进行股票推荐,本文在上述模型的基础上,分别构造了分类数据集和回归数据集,分别对两个数据集建模后,借鉴模型融合的方法,使用两个上层模型对两个基模型的结果继续建模,将得到的基分类器特征列权重用于计算股票的推荐分数。基于该推荐分数,对股票进行排序推荐,在对推荐进行传统评价的基础上,本文还通过模拟交易计算了收益率和超额收益率等投资评价指标,使推荐结果更具现实意义。另外,为了能让用户操作整个推荐和模拟交易的流程,本文又基于Django框架构建了一个股票推荐系统。用户可以定义自己喜欢的推荐时间段和推荐股票数,系统将自动为其推荐对应的股票,并进行模拟交易。推荐系统也将会展示股票推荐的各项结果。