股票市场自诞生以来,已经成为金融业必不可少的一部分,一直受到投资者以及金融管理者的高度关注,股票价格的预测已经成为无数研究者和投资者关注的重点。影响股票市场的因素众多复杂且具有非线性的特征,因此研究出一种精确度更高的股票价格预测模型具有十分重要的理论意义和应用价值。随着大数据时代的到来,计算机并行计算能力发展迅速,机器学习中的深度学习已然成为金融领域中的应用前沿。本文利用深度学习中的栈式自编码器神经网络SAE对股票价格进行预测研究。首先通过具有无监督学习机制的自编码器对股票价格时间序列进行特征提取,再利用逐层贪婪训练算法逐个训练自编码器,然后将模型学习到的参数作为整个网络的初始参数,最后通过反向传播算法有监督的微调整个网络。在实证分析方面,本文选取了上证指数日数据作为实验样本,并和ARMA时间序列预测模型以及BP神经网络模型的做实证对比,实验结果显示栈式自编码器神经网络模型在各个预测性能指标上表现的更好,预测精度更高。为了进一步验证模型的预测能力,本文重新选择两段时间周期相同但先后顺序不同的上证指数日数据做实证对比分析,实验结果表明基于栈式自编码器神经网络的股价预测模型效果良好,具有很大的实用价值和应用前景。