随着经济和科技的快速发展,股市已成为当前金融市场的重要组成部分,如何准确预测股票趋势成为投资者关心的主题。股票价格的涨跌受到多方面因素的影响,而股票市场本身就有着强烈的波动性和不稳定性,因此如何挖掘股市深层市场规律成为一大挑战。传统的机器学习方法在面对非线性、高噪声、波动性强的股票时序预测问题时有着很大的局限性,而近年来深度神经网络的兴起,给股票趋势预测问题提供了新的解决方案。为了解决长时间序列的梯度消失问题,本文基于长短期记忆网络(LSTM),选取了A股市场近10年的股票交易数据作为原始数据集,对股票短期趋势预测问题进行了研究分析,主要工作和成果如下:(1)构建了一个多类别特征体系作为长短期记忆网络的输入进行训练,包括基本指标、技术指标、多种关键转折点特征和个股真实事件信息等38个输入特征,介绍了各类指标的基本概念和计算方法以及数据预处理过程。同时,实验部分全面分析了各类特征对于股票趋势预测的有效程度,对比结果表明了多类别特征体系在预测中的良好表现,能够达到68.77%的短期涨跌预测准确率。(2)介绍了神经网络的原理和训练过程,并对构建的LSTM模型进行了多方面的优化设计:通过实验确定了LSTM网络隐层数量和输入特征的滑动窗口大小、在反向传播过程中采用批量梯度算法结合加入指数衰减学习率的Adam优化算法进行模型权重更新、引入注意力机制给不同输入特征分配权重以强化重要特征的提取、加入正则化和早停策略优化过拟合问题。(3)将LSTM模型与卷积神经网络(CNN)、循环神经网络(RNN)、多层感知机(MLP)等常用模型进行了比较,实验结果表明深度神经网络相比之前的浅层结构模型预测效果有着明显的提升,且LSTM在解决股票时序预测问题上优于实验中的其它深度神经网络模型。