随着我国经济发展,越来越多的资金涌入金融市场,而股票市场作为金融市场重要的组成部分之一,自然受到了越来越多的关注。在统计学与金融学交叉的实际应用领域中,股票市场是一个重要场景。因为股票市场的影响因素广泛,数据量庞大且多维,传统的统计方法难以应对这么错综复杂的系统,而随着计算机算法与算力的持续发展以及量化交易、多因子分析、深度学习技术在应用中的不断进步,使得股票研究进入了新的阶段。目前,大部分对深度学习在投资领域的研究都处于一个尝试、摸索阶段。随着越来越多的深度学习模型被开发出来,当前较为普遍的探索方向在于尝试用各种新模型来对既有数据进行预测,主要关注点在于不同模型的表现与优化。本文结合了量化交易中的多因子股票研究方法,将其策略方法使用深度学习模型进行快速实现,应用python工具搭建神经网络进行实验模拟,以期研究股票预测领域中神经网络模型的应用,尝试的是深度学习模型在数据维度扩展与数据优化上的评判表现。本文选取的研究数据为在中国股票市场具有代表性的沪深300指数,选取了 30个因子进行研究。技术方面,本文以模型的预测准确率和偏差作为衡量股票预测效果的评判标准,参考量化交易中多因子分析构建因子库,并通过主成分分析进行数据降维,提取特征来消除变量间的多重共线性和相关性,防止数据冗余的同时降低数据维度,优化数据质量,提高模型速度和预测效果。本文首先在国内外有关机器学习在股价预测中的各种研究方法基础上,选择了用LSTM神经网络预测股价的方法。随后对金融数据的特征进行分析,发现同一大类因子中的数据存在着高度的相关性,因此使用主成分分析降维,减少数据的相关性与维度。最后将处理过程中的各类数据导入人工神经网络模型进行对比分析,实证结果表明,引入多因子模型并经过优化后,可以明显提高预测的效果。