股票市场通常被看作一个国家经济发展的“晴雨表”,股票市场的关键指数变化可以反映资产价格情况,进而反应宏观经济状况,其变化复杂多变,不仅受到资本市场行情、企业基本面、资金流向等内在因素的影响,还受到外部环境因素,如地缘政治因素、市场预期、国际突发事件等,使得股票价格变动更加剧烈。由于股票市场的复杂性和多样性,其变化往往无法准确预测。但如果能够通过合理的分析来预测股市的走势,将会为投资者提供宝贵的参考,从而有效降低金融风险。为了更加完善的涵盖各种影响股价的因素,本文构建了包含月度频率、日度频率、分钟频率数据的多维度混频指标体系,该指标体系涵盖了三个维度的因子,分别是描述宏观经济、政府政策影响、投资者预期的宏观因子,描述日内行情数据变动和信息的高频因子和描述股票在二级市场上交易信息的技术因子,为了解决频率不一致的问题,本文引进GARCH-MIDAS模型,拟合得到一个包含长期低频宏观因素的日频条件波动率;同时本文通过“高频数据,低频因子”的采样思维,构造了包含日内分钟数据的日频高频因子。本文选取LSTM模型与GARCH-MIDAS构成复合模型来研究股票价格的变动趋势,LSTM通过引入细胞状态,可以有效地提取出数据的特征,并且能够更好地拟合和预测时间序列数据,这种模型比传统神经网络更有效地解决了梯度爆炸的问题,同时兼顾股价数据的时间序列性和非线性,更加准确地预测股价同时反应股票市场的波动情况。本文将引入LSTM-CARCH-MIDAS混合模型的预测结果与其他三类未引入混合模型的预测结果进行比较,发现该模型预测预测能力较原先有一定提升,其中MAE下降了27.7%,RMSE下降了28.05%,MAPE下降了30.07%,可以说明LSTM-CARCH-MIDAS可以更加高效精准地进行股价预测。本文通过构建多为指标体系和GARCH-MIDAS-LSTM混合模型,考虑了不同频率的因子对股票市场产生的影响,同时本文提供了一种精度更高、涵盖指标更广泛的预测模型,可以更好地应用于量化投资、风险管理等领域,取得更高的股票市场投资收益。