股票市场受经济市场、政策等因素的影响,其内部变化规律极其复杂。随着中国股票市场的快速发展和投资者规模的扩大,股票市场产生了大量的交易数据,使获取有价值的信息变得更加困难。由于深度神经网络善于处理数据量大,非线性映射关系复杂的预测问题,本文基于深度神经网络设计了一个股票智能预测系统。主要工作内容如下:(1)股票选股模型研究:从股票财务指标和股票变化趋势层面,研究了多因子量化选股的问题,提出一种基于股票趋势识别算法构建选股模型的方法。该方法根据改进的股票趋势识别算法,对由财务指标和技术指标构建的选股指标集进行趋势标识,并使用主成分分析法对选股指标进行相关性处理,将处理后的股票数据输入BP神经网络中,训练出股票选股模型。相比于现有的选股方法,提出的选股模型在选股精度上平均提高了5.09%。(2)股票价格预测模型研究:针对股票交易数据量大,非线性关系复杂,难以准确预测股票价格的问题,基于LSTM(Long Short Term Memory)深度神经网络对股票价格的预测进行研究。从股票选股模型的输出结果中选择可投资的股票。通过研究影响股票价格变动的因素,选取股票交易基本数据和股票技术指标数据,融合成股票训练数据。采用LSTM深度神经网络构建股票价格预测模型,对影响模型效果时间序列长度和网络结构等参数进行调优。相比于选取股票交易基本数据训练的股票价格预测模型,决定系数提高了2.4%,均方根误差降低了0.12。(3)股票智能预测系统的设计与实现:基于股票选股模型和股票价格预测模型,设计并实现了股票智能预测系统。运用Django框架、Scikit-learn机器学习库和Keras深度学习库完成股票智能预测系统各个功能。该系统可以实时地进行股票选股和股票价格预测,给投资者提供实时、有效的投资决策建议,从而降低投资者投资的风险,并获得稳定投资收益。