股票价格预测一直都是股票市场中十分热门的话题,是金融研究的重点之一。高效准确的股票预测方法,不仅能给投资者带来丰厚的收益,还能为金融监管机构监管股票市场、政府制定金融策略提供十分有力的帮助,从而促进国家经济的健康发展。股票价格数据本质上是一种非平稳、非线性、高波动性的时间序列数据,结合其他股票基本面指标,一起构成了多元时间序列数据。在实际的股票价格预测中,传统计量经济学中的时间序列模型已凸显乏力,无法进行长期而有效的股价走势预测。随着科技的进步和技术的发展,新的机器学习和神经网络算法为股票价格预测研究带来新思路、新方法。本文所用于研究的股票为上证50指数的成分股,每支股票选取2021年6月7日之前的1200个交易日数据为研究数据,利用RNN、LSTM、GRU、Bi-LSTM、Bi-GRU、ConvLSTM、TCN这7种时间序列神经网络模型,结合当日总市值、换手率、市盈率、市净率、市销率这5个股票基本面指标,对每支股票的日收盘价格进行训练和预测。对于预测效果不佳的股票,基于集成学习的思想,将个体网络模型进行组合,构造出组合模型,以提高预测能力。通过实证分析,得到如下结论:（1）7种时间序列神经网络模型中,RNN、LSTM、GRU在50支成分股的测试集上的MSE、MAE相较于Bi-LSTM模型、Bi-GRU模型、ConvLSTM模型、TCN模型分布更为集中,数值上整体更低,综合预测精度更高。（2）RNN在测试集上的拟合优度最高,50支上证综指成分股中,RNN模型在35支成分股的R2相较于其他6种模型是最高的,其次是GRU模型。（3）每一种时间序列神经网络模型都有预测不佳的股票,整体表现最差的TCN在某些成分股的R2要比其他模型都好。（4）基于集成学习思想,构造SoftVoting-RNN/TCN组合模型对三安光电（600703）的股价进行训练和预测;构造Bagging-TCN组合模型对山西汾酒（600809）的股价进行训练和预测,两种组合模型的预测效果均优于单个时间序列神经网络模型的预测效果。