近年随着人工智能的发展,神经网络模型及深度学习在各个领域引起了广泛的关注,利用神经网络和深度学习模型拟合和预测时间序列也成为一些科学研究热门课题。鉴于人工神经网络在金融经济预测领域的应用前景,提高其预测精度具有十分重要的意义。本文提出了一种新的,由复杂度不变距离(CID)控制的学习率结构,通常CID被用来测量两个时间序列之间差异复杂度。此外,随机时效性神经网络(STNN)是一种用于预测时间序列的有监督模型。基于上述两种理论,本文提出了一种新的神经网络模型(CID-STN)以提高预测精度。同时为深入比较CID-STNN和STNN的预测性能,将时间序列分解为若干本真模函数,并利用这些本真模函数对模型进行训练。此外,对模型进行了交叉检验以调整超参数,在避免过拟合的前提下评估模型的预测能力,说明了 CID-STNN模型的相对有效性和优越性。为了提高金融市场价格波动预测的准确性,本文将长短记忆型神经网络(LSTM)深度学习模型应用于金融时间序列拟合。在传统的长短记忆型神经网络的应用领域,比如自然语言处理语义分析等,为提高其训练精度使用大量的数据训练是一种常规做法。为了通过扩展训练集的大小来提高预测精度,迁移学习提供了一种启发式的数据扩展方法。此外考虑到每一个历史数据的等价性来训练长期短期记忆,很难反映金融市场真实准确的变化。本文创新地提出了一种具有先验经验的数据迁移算法,它提供了一种更有效的数据扩展思路。为了深入比较初始数据和数据迁移后的预测性能训练性能,将时间序列分解为若干本真模函数,并利用这些本真模函数对模型进行训练。通过评价该模型的预测能力,对西德克萨斯轻质原油(WTI)、布伦特原油(Brent)的预测效果进行了实证研究,并证明了其相应的优越性。