随着科技的进步,我国股票市场日渐完善,大量的金融数据得以保留,为进行股票市场分析奠定了坚实基础。在股票市场中,高收益也伴随着高风险,然而在高收益的同时降低投资风险是众多投资者一直追求的目标,因此如何对股价进行更精准的预测成为了研究的热点问题。伴随着机器学习和深度学习的不断壮大,研究学者开始将其应用于股票市场中。循环神经网络（RNN）作为深度学习的一种,引入了时序的概念,为分析时间序列数据提供了新的方法。然而RNN存在一定的缺陷,LSTM神经网络作为RNN的一种变种,克服了 RNN中存在的梯度消失和爆炸问题,应用领域更加广泛。同时,与其它时间序列预测模型相比,LSTM神经网络在处理非线性数据上具有一定的优势。根据已有研究成果,股票市场常常展现出非线性特征。因此,本文尝试利用LSTM神经网络对股指进行预测,以期得到更精准的预测结果。本文选取了上证指数近5年的日交易数据作为样本,采用LSTM模型,利用前1天的开盘价、最高价、最低价、收盘价、涨跌额、成交量来预测当天的收盘价。由于LSTM预测结果容易受到网络参数影响,本文通过鸽群算法（PIO）对其网络参数进行优化。但是鸽群算法（PIO）容易陷入局部最优,本文先探讨和研究如何改进鸽群算法。然后利用改进的鸽群算法优化LSTM神经网络模型,从而得到鸽群算法与LSTM模型的组合模型,通过组合模型对上证指数进行预测。最后,文章对预测结果进行了比较,得出结论,和进一步研究展望。本文的工作重点在于鸽群算法的改进和LPIOLSTM预测模型的构建。PIO算法虽然提出时间短,但实际应用有优势,它具有收敛速度快、操作简单、易于实现等特点。因此,该算法逐渐发展成了较热门的群智能优化算法。但它在解决复杂优化问题时,仍然存在着不足,在迭代后期容易陷入局部最优,导致算法的寻优精度有所下降。针对基本PIO算法的不足,本文尝试对鸽群算法进行了改进,在改进过程中主要是考虑将鸽群算法与其他机制相结合,最终形成了 LPIO算法。这也是本文的创新之处,本文提出的改进思路主要包括:（1）在地磁导航阶段,引入Levy飞行,利用Levy飞行的跳跃性,帮助种群中的个体跳出局部最优。（2）利用混沌理论的遍历性特点,对每次迭代后的最优个体进行混沌搜索,可以有效的提高算法的求解精度,同时,也在一定程度提高了收敛性能。针对LPIO算法,本文选取了5个测试函数进行测试,测试结果表明LPIO算法在复杂的优化问题中不仅能够找到全局最优解,具有良好的全局性能,而且还保留了原有PIO算法良好的收敛性能。在解决了鸽群算法所存在的问题后,本文运用改进的鸽群算法对LSTM神经网络的网络参数进行优化,并利用组合模型进行实例分析,得到以下结论:（1）在对上证指数收盘价进行预测时,与ARIMA、BP神经网络预测结果相比,LSTM,LPIOLSTM的预测效果更好,预测误差更小。证明与其他模型相比,LSTM模型更适合应用于上证指数收盘价的预测中。（2）加入优化算法的LSTM神经网络要优于传统LSTM神经网络模型。基于LPIO算法优化的LSTM神经网络模型预测效果最好,表明利用LPIO算法优化LSTM神经网络的网络结构可以很好的改善传统LSTM神经网络的预测性能,具有一定的实用价值。