自1990年中国A股市场诞生以来,随着我国金融改革的不断深化,中国金融市场的不断完善,越来越多的投资者选择进入股票市场进行理财投资。然而由于金融市场中的股票价格是一种极其复杂的非线性系统,再加之A股市场还并未十分完善,因此对A股市场的研究以及股票价格的预测一直是金融界及学术界研究中的焦点。为了能够更加准确地对股票市场进行分析及预测,国内外学者采用过众多经典的经济学模型进行建模,然而由于经典的经济学模型所能包含的维度一般偏低,无法包含股票市场中的系统性信息,对股票市场中复杂多样的变化适应力较差。Bernanke（2005）为了解决VAR模型在面对宏观经济问题时由于模型本身的局限性导致无法包含高维度信息的问题,提出了Factor Augmented Vector Autoregression。本文借鉴该模型的理论基础,将该模型应用在股票市场的研究上,利用主成分分析的方法从股票市场中提取出能够代表环境特征的特征因子。并将其与标准VAR模型结合,成功解决了标准VAR模型由于模型局限性而无法包含股票市场中系统性信息的缺陷。在此基础上,为了能够进一步利用股票市场中所存在的不同股票间的相关性这一微观特征,本文引入了Lai和Tsang（2016）所提出的Group Orthogonal Greedy Algorithm。利用GOGA提取出股票市场上与预测目标股票关联性最高的因子将其称为目标预测器因子,并将其代入上述的FAVAR模型中构建出GOGA-FAVAR模型。最后,本文引入了LSTM模型来对GOGA-FAVAR模型进行进一步的改进与提升,使其能够捕获股票市场中的非线性特征,从而进一步提升模型的预测准确度。在将GOGA-FAVAR模型应用在对A股市场的实证分析之前,本文首先构造了两组模拟实验,来验证在理想环境下GOGA-FAVAR模型的效果相较于标准VAR模型与FAVAR模型是否能够包含更多的数据信息。在模拟实验中取得较好的实验结果后,本文将VAR模型、FAVAR模型与GOGA-FAVAR模型均放入A股市场中,通过实证分析,对比三组模型在预测效果上的好坏,在此之后尝试引入了LSTM模型来对GOGA-FAVAR模型进行进一步的改进,对比验证了引入LSTM模型后预测效果的变化情况。根据上述实验本文得出实证结论如下:虽然对于部分股票进行分析的过程中,GOGA-FAVAR模型与FAVAR模型出现了波动较为敏感导致与实际值出现偏离的情况,但对于大部分股票,GOGA-FAVAR模型均能取得优于标准VAR模型以及FAVAR模型的预测成果。同时LSTM模型的引入能够成功提高模型的预测准确度。最后,根据上述实验可以得出,在绝大多数情况下GOGA-FAVAR模型在A股市场上对股票价格预测的拟合效果要优于标准VAR模型,LSTM模型相较于线性预测模型也能够更好地捕捉到股票市场中所具有的的非线性特征从而获得更高的预测准确度。此外,基于GOGA-FAVAR模型的理论基础,该模型可以被推广到更多涉及高维的问题中进行研究。