科学有效的金融时间序列数据预测模型应充分纳入金融时间序列数据的非线性、非平稳、高噪声、序列相关等复杂特征，而传统计量模型以及机器学习等方法在识别金融时间序列数据的序列相关和学习时间序列数据复杂特征等方面均存在一定的缺陷。鉴于此，本文从金融时间序列数据的长短期动态趋势预测、点对点静态集成预测，以及金融市场指数序列跟踪三个维度，探究深度学习与金融时间序列数据分析相融合的理论基础和实际应用。
　　对于金融时间序列数据的长期、短期动态趋势预测，本文在深入分析LSTM神经网络对金融时间序列数据长期、短期序列依赖关系的自动识别机制和非线性特征处理机制的基础上，提出将长短期记忆（LSTM）神经网络和小波分析相结合构建金融时间序列数据的长短期动态变化趋势预测模型。研究结论表明，相较于GARCH等计量经济模型以及BP神经网络、支持向量机等机器学习算法，LSTM神经网络对于金融时间序列数据具有更高的预测精度。同时，本文提出的金融时间序列数据的长短期动态趋势预测方法，在测试集上对上证指数未来10天走势预测的准确率可以达到78.95%，且可有效预测上证指数的长期动态变化趋势。
　　对于金融时间序列数据的点对点静态预测，本文提出将金融时间序列数据的序列依赖特征以及不同金融市场时间序列数据的局部关联特征纳入同一模型，构建结合卷积神经网络（CNN）以及门控循环单元（GRU）神经网络优势的CNN-GRU神经网络。同时，为进一步提高预测精度，本文采用集成经验模态分解和游程判定法，将金融时间序列数据分解与重构为趋势项、低频项和高频项，构建基于不同频率、不同波动特征的金融时间序列数据预测模型，然后将不同分量的预测结果进行集成。实证结果表明，在直接预测中，CNN-GRU神经网络的预测精度高于只考虑序列依赖关系的GRU神经网络和只考虑局部关联特征的CNN。在集成预测中，对上证指数的集成预测精度高于采用深度学习、机器学习直接预测的精度。
　　对于金融市场指数序列的跟踪与预测，本文拓展了基于深度学习的金融市场指数序列跟踪模型。首先，对于最小化跟踪误差，本文提出采用结构风险最小化代替常用的经验最小化，以提高对样本外指数的跟踪能力。其次，为提高该指数跟踪模型在实际中的应用能力，本文提出了一种神经网络动态权重测算方法，以测算指数序列跟踪组合股票在不同时间段中所持有的不同权重，实现指数跟踪组合中股票权重的实时调整，进而提高对指数序列的跟踪精度。最后，充分考虑一些金融市场无法对个股做空，或者对个股做空存在严格限制的问题，本文提出通过对神经网络施加非负约束构建限制个股做空情形下的指数序列跟踪方法。实证结果表明，在个股可以做空以及限制做空的情形下，该方法均可以有效跟踪目标金融市场指数的表现。
　　本文认为，将深度学习应用于金融时间序列数据预测在理论与实证上均具有效性，相关研究无疑为大数据以及人工智能背景下的金融市场动态变化趋势的监测、金融市场指数序列的跟踪等一系列问题提供了一种有效的解决思路。