股票市场是股票发行和交易的市场,一方面解决了上市公司股票的流通问题,另一方面为投资者提供了一种财富管理方法。但是由于股票指数存在内在不稳定性的特征,同时其趋势线又是一种非线性关系,从而加大了对其预测的难度。现如今,在股票市场预测方面最受欢迎的两类模型主要是机器学习模型和传统预测模型。随着大数据技术的不断提高和迅速发展,由于传统模型的计算误差较大且研究内容单一,所以机器学习技术逐渐被运用到金融时间序列的预测模型中。这类方法是以模型为基础,通过调节参数来提高模型的数据预测精确度,虽在股票股价预测等方面取得了一定的进展,但单一模型的预测精度已无法满足目前金融时间序列的要求。本文从股票市场收盘价入手,基于多学科融合的思想,引入用于信号处理的自适应噪声完全集成经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）方法,充分提取价格序列本身隐含的波动信息。然后,通过小波阈值降噪（Wavelet Threshold Denoising,WTD）方法,对CEEMDAN分解后的本征模函数中的高频序列进一步降噪和重构,从而提高后续模型的预测精度。最后利用存在序列依赖关系的长短期记忆神经网络（long short-term memory neural network,LSTM）模型,分别对分解后的低频序列、趋势项以及处理后的高频序列建立LSTM预测模型,通过将预测结果相加求和,完成对股票市场价格的最终预测。在实证方面,本文利用沪深300指数和上证50指数的每日收盘价进行模型的训练与测试。首先,与EMD-WTD-LSTM模型对比,体现出CEEMDAN相较于EMD在信号分解方面的优势;其次,与没有使用小波阈值降噪的CEEMDAN-LSTM模型对比,突出了加入小波阈值降噪方法在降噪与重构等方面的作用;最后与LSTM和ARIMA进行比较,体现混合模型相较于单一模型的突出优势。实证分析结果:CEEMDAN-WTD-LSTM模型在沪深300指数和上证50指数具体分析中,采用RMSE、MAE、MAPE三种评估误差判定,最终得出CEEMDAN-WTD-LSTM模型要优于其他对比模型,拥有更好的预测效果,更是为金融时间序列数据预测提供了一种新方向。