股票,是股份公司所有权的一部分,也是资本市场的长期信用工具。股票交易不仅给投资者提供高额收益的机遇,也带来了较高的风险。因此投资者需要对股票价格的趋势做出更为准确的判断。随着科学技术的不断发展,众多研究人员开始探究股票价格预测的方法,期望实现客观科学的投资,规避投资风险。目前使用较多的股票价格预测方法有深度卷积神经网络、支持向量机和ARIMA时间序列预测等,但是深度卷积神经网络等方式的预测模型缺乏可解释性。可解释性在金融领域占据非常高的地位。一些基于传统模糊理论的预测方法具有一定的可解释性,但是预测效果不理想。深度卷积模糊系统的提出使预测模型具备可解释性并提高了短期预测的准确率。为了提高股票多步预测的准确率和稳定性,本文基于公理模糊集理论并借鉴深度卷积模糊系统的模型结构提出了深度卷积公理模糊集系统。通过实验验证了深度卷积公理模糊集系统对于股票价格的多步预测具有较高的准确率和稳定性。针对以单一股票价格训练的模型对预测准确率提升具有局限性的问题,本文采用皮尔逊相关系数对股票的相关指标进行筛选,将相关程度较高的指标引入深度卷积公理模糊集系统。通过引入股票多种相关指标的多因素实验与单一股票价格的单因素实验对比,验证了深度卷积公理模糊集系统引入股票的相关指标对预测的准确率具有较大程度的提高。深度卷积公理模糊集系统存在计算时间长以及单机性能不足的问题,为解决此问题,本文首先使用排序算法与搜索算法优化公理模糊集一致隶属度计算的时间复杂度,然后引入分布式框架设计分布式计算系统,采用分布式并行计算的方式实现系统模型的计算,提高系统整体的计算速度并降低对单机的配置要求。通过实验验证了分布式计算系统极大地提高了系统计算的速度。为进一步简化系统模型训练与预测的过程,本文开发了一个软件系统,以可视化操作界面的方式进行系统模型的训练与预测,节约了时间成本并降低了重复性的工作量。