金融市场是现代金融体系的重要组成部分,金融市场的运行不仅直接影响着经济建设的进程,而且在非常大的程度上关系着社会发展的状况。分析和预测金融市场行为,能够有效的帮助投资者规避投资风险,提高收益。过去一般假设金融时间序列是线性产生的,常使用ARIMA等模型预测股票价格。随着机器学习的发展,研究人员越来越多的将SVM、RF等经典模型应用在股票价格或趋势预测问题上。近年来,深度学习在计算机视觉、自然语言处理方面大放异彩,与此同时它也开始逐步应用在金融时间序列的研究中。本文使用市场规模大、具有代表性的上证50指数成分股的历史数据,分析了快速发展的新兴股票市场——中国股票市场的市场结构,提出“股票的历史价格不仅影响其自身的价格趋势,还影响其他相关股票的未来价格走势”的假设。卷积神经网络中卷积层能够以其独特的局部连接和权值共享的方式高效的从输入中提取有效特征。长短期记忆网络以其独特的门结构捕捉时序数据中的依赖关系,记住长期信息。本文综合这两种网络的优势提出了改进的LSTM-CNN模型,通过与RF、CNN、LSTM模型的对比实验,验证了该模型对于股票趋势预测的预测能力,最后使用T+1交易策略在测试区间进行了仿真交易。我们将提出的LSTM-CNN模型与近年来提出的小波卷积网络W-CNN、LSTM集成模型以及多滤波神经网络MFNN分别在他们论文中使用的数据集上进行对比,LSTM-CNN分别将预测的准确率提升了 6.0%、3.4%、0.8%(可以认为与MFNN持平)。总体上与已有的模型相比,我们的模型表现出较好的性能。