股票市场是国家经济运行状况的晴雨表,一直以来都受到政府与研究人员的高度重视。然而股票市场高噪声、非线性的特点使得股票预测成为学术难题,传统时间序列模型的预测效果往往不尽人意。随着神经网络研究的再度兴起,计算成本的降低使得训练深度模型成为可能。其中循环神经网络不仅能够解决非线性的复杂问题,还引入了时序概念因而具备了记忆性,因而近年来被广泛使用到金融时间序列的预测中。在现实股票交易方面:模型在不同成熟度的市场中的表现有很大差异,因此对成熟度进行区分建模有更强的现实指导意义。在模型改进方面:近年来对循环神经网络模型应用于金融领域的改进仅仅局限在线性与非线性模型的组合,预测性能提升并不明显。因此本文结合了图像处理领域的压缩降噪思想,将自动编码器与循环神经网络模型相连,提升输入特征的质量从而达到提升模型预测性能的目的。本文采用道琼斯指数、恒生指数和上证综指相关数据作为实验数据。首先,在这三种不同成熟度市场上分别建立传统时间序列模型与循环神经网络模型进行对比。其次,对循环神经网络模型进行改进,将自动编码器降噪方法（AEs-RNN）与线性平滑方法（ARIMA-RNN）进行对比。最后,在传统时间序列模型与改进后的循环神经网络模型基础上使用信号函数,将其转换为分类模型应用于交易策略并进行准确率对比。实验结果说明:第一,循环神经网络模型预测精度始终高于传统时间序列模型,且LSTM模型的表现在成熟度较低的市场上比GRU更优;第二,基于自动编码器降噪的改进算法比常用的线性改进算法预测精度更好,模型更为稳健;第三,循环神经网络模型的价格涨跌判断比传统时间序列模型更准确,能够在成熟度较高的市场辅助投资者决策。