从1990年沪深交易所开盘到现在,中国的证券市场虽然已过了30年的起伏,但随着中国资本市场改革的深入和基本管理制度的健全,我国的沪深市场不断完善,在完善的过程中也吸引了国外的风险资本、金融资本以及国内市场的居民资本。这些资本对我国沪深市场的稳定性和价值性认同度加深,参与的热情也稳步提高。与此同时,如何运用计量手段对股票价格进行合理预测的研究也随之兴起。通过揭示股票价格的走向,引导理性投资、价值投资,对活跃资本市场和稳定经济全局存在重要的应用价值。现有的主流做法中,如何对股票价格进行精准预测,目前的做法主要是时间序列预测和神经网络预测这两种。时间序列分析法,利用股票市场周期性强的特点,仅需要近期价格数据就可以对未来趋势就行模拟,应用简单,对短期预测较为准确,但长期可能会存在一定偏差;神经网络分析法,将股票市场看作一个非线性的整体系统,具有自我学习能力和自适应能力强、容错率较高的优点,但是在实际应用中也出现了收敛速度慢等问题。因此,运用单一方法对股票价格趋势预测是非常困难的,所以在本文中同时构建了 ARIMA模式、BP神经网络模式和长短时间记忆神经网络模式,对上证50指数进行了预测,并探讨各种方法的实际应用情况。在具体实验中,本文利用2019年1月1日至2021年6月1日的上证指数收盘价以及与股票市场、消费者情绪、市场环境相关的三类影响因子,对2021年6月1日至2021年9月30日的指数价格进行预测并与实际值进行对比。其中,在ARIMA模式建立时,首先利用网络搜索参数优化方法定义p、d、q的取值域,然后再使用AIC和BIC法则定义具体进阶数值,然后再选取LB检验确定具体滞后阶次,并展开趋势模拟;长短时间记忆（LSTM）神经网路模型建立时,选取Adam优化算法和确定神经网络模型中的隐藏层个数,以及确定输入和输出的层层数;而BP神经网路模型建立时,则采用确定神经元的数量和神经网络中的层层数和隐藏层节点个数,来对BP神经网路模型进行调整构建。实证结果显示:从预测精度方面,ARIMA模型、LSTM神经网络模型、BP神经网络模型的预测准确率分别为45.45%、58.46%、55.36%,神经网络的预测的精度更准确且速度更快,其中LSTM神经网络模型的精度最高;从适用情形方面,三种模型涨跌走势预测拟合较好,但在涨跌幅较大的时期精度略差;在参数设置方面,ARIMA模型阶数选择（1,2,3）、神经网络模型隐藏层节点选择64时效果最好。