股票市场的高回报高风险特征使其在现代金融市场中的重要投资理财的手段。也正因如此,人们一直希望能构建合适的模型来预测股票市场的未来走向。股票市场中个股数量众多,种类繁杂,且具有一定的偶然性,因此本文选用综合沪深两市大部分股票信息的沪深300指数收盘价格来反映股市的总体发展趋势。股票价格的影响因素众多,通过建立合理的指标体系能够有效地提取股票价格中包含的历史信息并科学地预测其未来走势,避免因信息缺失而带来的误差。对股价指数各方面影响因素进行对比分析后,本文选择了股价交易指标、技术指标、宏观经济指标与投资者情绪指标四类共24个特征组成待选指标集,并利用L1正则化方法对原始指标数据进行筛选。将筛选后的指标数据标准化后作为神经网络的输入信号用以训练模型。在此基础上,本文选用适用于序列数据建模的长短期记忆网络对优化后的股票指标体系建立模型,以网格搜索方法寻找网络最优超参数组合,选择Adam优化算法迭代计算网络的最优参数矩阵,建立预测模型,并用其预测股票价格指数的未来收盘价。选取以相同数据集建立的RNN网络模型,以及在股票价格交易数据与未经筛选的全指标集建立的LSTM模型与组合模型进行对比分析,预测结果显示基于L1正则化方法的LSTM模型得到的预测价格更为准确,且相比RNN网络,在长序列的训练与预测中,LSTM模型更有优势。同时,为了检验模型在极端状况下的分析与预测能力,选择2005年-2009年上证指数收盘价格建立模型,分别建立了重大利好与重大利空情形下的预测模型,并各自对未来一段时间进行了预测与对比分析。结果显示,组合模型在极端情况下也具有较好的预测能力。文章最后总结了所建模型的特点,并针对模型现存不足提出了改进意见。