近些年来,尤其是2016年谷歌的Alpha Go与韩国李世石的人机围棋比赛,使得深度学习、神经网络等等技术被越来越多的人所熟识。而在图像识别、音视频识别处理、自动驾驶等领域,得益于众多学者不断的研究与探索,深度学习的发展取得了巨大的进步。目前,已有众多研究人员将深度学习、神经网络等技术运用到金融时序数据的预测中,如预测股价涨跌、期货收益等等。这是因为随着全球经济的迅猛成长,经济全球化也是未来发展的必然趋向。金融市场的健康发展对全球经济的成长起着关键性的作用,而全球金融市场中,股票、期货、债券等产品的交易量以及交易数据也随着市场的发展逐年递增。中国的股票市场经过了三十多年的发展,其规模在全球股市中逐渐占据了很大的比重,而伴随着中国股市的不断成长,国内参与股票交易的投资者人数也在逐年增加。因此,股票的涨跌与我国经济的发展有着紧密的联系,而股市的波动也对每一个投资人都有着很大的影响。使用深度学习这一技术来对金融市场进行预测,不仅扩展了该技术的应用场景,同时也有助于投资者规避风险,获取收益。但是,众多股票研究人员更多靠的是自己的经验进行预测。因此,如何找到更高效的深度学习模型运用到金融时序数据的预测场景中,如何提高模型的预测精度与效果,是大部分学者研究的重点,也是需要攻克的难点。本文以中国股市为主要研究对象,并且采用技术分析中常用的交易指标与技术指标数据对股价进行预测,主要研究内容如下:首先,使用同花顺i Fin D金融客户端以及开源财经数据包接口Tushare等工具获取沪深300指数、中证800指数和上证综指的交易行情数据,随后使用TA-Lib开源技术接口生成了17个技术指标特征,加上交易行情指标,共计22个。其次,为了最大限度降低噪声数据对模型效果的不良影响,采用了因子分析法对三只指数的数据进行关键特征的分析和提取,经过数据适用性检验、提取载荷矩阵、旋转因子等步骤,最后每只股票都提取出4个公共因子作为关键特征,组成了新的数据集。再次,本文构建了一维CNN-LSTM混合神经网络模型对三只指数数据的收盘价进行预测。每个指数的数据集A（即原始特征数据集,为描述简便,下文统称为数据集A）和因子分析法提取出关键特征的数据集B均采用w天的特征数据,来预测w+1天的收盘价。关于模型效果的评测,本文采用回归问题中常用的RMSE、MSE、MAE以及R~2得分的值作为评价指标。关于模型优化,本文主要讨论了一维卷积神经网络部分中卷积核个数的多少、在模型中加入Dropout方法以及选取Adam函数作为优化算法等对模型效果的提升。在对三只指数进行训练和预测之后,发现采用数据集B的一维CNN-LSTM模型比数据集A的预测效果要高,具体为:沪深300指数数据集B的R~2得分比数据集A高出了0.0372,RMSE的值则下降了73.4;中证800指数数据集B的R~2得分比数据集A高出了0.0446,RMSE的值则下降了60.18;上证指数数据集B的R~2得分比数据集A高出了0.035,RMSE的值则下降了58.61。最后,本文选取了循环神经网络模型、BP神经网络模型、LSTM网络模型与一维CNN-LSTM网络模型进行对比。在使用同样数据集进行训练与预测之后,根据三个模型在三只指数两种数据集上得出的评价指标结果,发现三个对比模型均没有本文提出的混合神经网络模型在数据集A中获得的效果好。因此,本文提出的一维CNN-LSTM混合神经网络模型对股价预测有效,而结合了因子分析法,本文的模型精度和效果也有了进一步的提升。通过指数数据的预测结果可以发现,本文的混合神经网络模型也可以在期货、债券、基金等其他金融时间序列模型上也能发挥一定的作用,对股票投资者具有参考价值和研究意义。