股票投资是当代社会的比较流行的投资手段之一。伴随着较高的期望收益,其所具有的高风险也不容忽视。不断寻找最优的投资思路是投资者趋吉避凶、规避投资风险的现实需求。投资者与研究人员一直致力于探寻股票价格的变化趋势及变化规律,希望能够相对准确地预测未来的股票价格。从传统的数据统计分析方法到现有的深度神经网络模型,都被研究人员用来研究股票价格变化问题。目前,基于长短期记忆神经网络(Long Short-Term Memory,LSTM)进行的扩展研究是金融时间序列问题研究方法中比较好的一种。本文正是以LSTM模型为基础对股票价格预测问题进行了深入研究。为了解决以往实验研究出现的过拟合,梯度消失,模型崩溃等问题,本文提出了一种基于LSTM-Adaboost改进的预测模型。在模型结构选择方面,使用了Dropout机制,同时引入了L2正则项;在激活函数的选用方面,选用了PRe LU(Parametric Rectified Linear Unit)函数,这样能够提高模型预测效果,增强模型适用性;在数值实验部分,选用了两只股票的价格数据以及OHLC-Avg、RSI、MTM和MA共四个主要预测指标,使得研究具有一定的代表性,预测效果也比较好;在数值实验进行前,首先对所有的输入数据进行了归一化和平稳性处理,这样能够提高模型的鲁棒性;在实验过程中,输入了20年的股票价格历史数据并分成48份做交叉验证,每份中使用4年股票数据预测4个月的股票收盘价,这样可以扩大实验数据量,能够更好的调整模型的参数,使预测模型学习地更加准确。为了衡量本文所建立的改进的LSTM-Adaboost模型的预测效果,本文选用方根误差RMSE、平均相对误差MRE、R平方和命中率DS作为评价指标,与支持向量回归机(Support Vector Regerssion,SVR)、反向传播(Back Propagation,BP)神经网络、循环神经网络(Recurrent Neural Network,RNN)、长短期记忆神经网络,四个股票价格预测模型进行对比实验。研究结果表明,改进的LSTM-Adaboost网络预测模型在股票价格预测方面优于其他四个对比模型。在历史研究中预测性能较好的模型预测命中率为59%左右,而使用LSTM-Adaboost网络模型进行预测时的命中率则为64%,相比较提高了5个百分点。与现有的预测模型相比,改进的模型命中率明显提高,模型复杂度也较低。本文的研究工作,在理论方面,对今后的股票价格预测问题研究具有一定的借鉴和参考价值;在实际方面,也可为投资者进行股票投资时提供决策参考。