现如今,股票交易已然融入到人们的日常生活中,在经济金融领域有着巨大的影响。然而,股票市场由于其自身具有的强不稳定性使得投资者在股票买卖中承担了较大的风险。在这样的背景下,如何精准地预测股票市场的未来走势就成为了有关学者和诸多投资者密切关心的话题。股票市场由于其高噪音性、非线性、投资者心理预期的不确定性等诸多因素,股价预测通常被认为是时间序列预测中最具挑战性的问题之一。对于现代社会的股票市场研究者而言,如何精准地预测股价走势依然是一个尚待解决的难题。在过去的几十年中,随着机器学习和深度学习不断发展,一些相关模型已经在金融市场中得到了广泛应用,例如人工神经网络(Artificial Neural Network,ANN)和支持向量机(Support Vector Machine,SVM)等模型在股价研究中已获得较高的精确度。神经网络作为一种模仿生物神经网络结构与功能的深度学习模型,对非线性数据有着很强的拟合能力,可以对其进行有效地处理;同时,神经网络具有很强的鲁棒性、记忆能力以及自学习功能,这些特性使得神经网络在金融市场的预测方面占有很大的优势。神经网络与其他统计学模型相结合的集成模型,与传统的机器学习模型和神经网络模型相比,可以更成功地应对复杂的股票市场数据,并获得更好的性能。考虑到金融时间序列的复杂多变性,神经网络与金融统计模型相结合的集成预测模型被看作是最有吸引力的研究方向之一。基于此,本文建立了小波分析(Wavelet Analysis,WA)和长短时记忆网络(Long-Short Term Memory Network,LSTM)相结合的WA-LSTM模型对股指价格进行分析预测。小波分析可以有效地分离出股票价格时序中的低频信息和高频信息,能较好地处理数据的波动性;长短时记忆网络既继承了传统循环神经网络在时序与定向循环上的优势特性,又可以成功地避免传统循环神经网络中梯度消失和梯度爆炸的缺陷。将这两种模型的优势相结合,可以对股指价格的未来走势做出更精准的预测。本文主要结构如下:首先,对小波分析、长短时记忆网络和Attention机制的概念及相关理论研究作出了简要说明;其次,介绍了本文的建模流程及参数处理;再次,选取上证指数的收盘价作为原始时序数据并对其作预处理。应用小波分解及重构算法将原始数据分解成低频子序列和高频子序列,再将每一子序列代入LSTM模型中训练,对模型训练结果整合相加即为股价的预测结果;最后,与现有的相关股指预测模型在不同评价标准下作出比较。从比较的结果上可以分析出,WA-LSTM模型在拟合精度和预测准确率上都有着一定的优越性,在平稳的股票市场下,对投资者的投资行为有着一定的指导意义。同时,在结尾处对本文提出的WA-LSTM模型的未来发展方向进行展望,对模型的优化作深层次的探讨。