随着金融市场发展的不断完善,金融市场时间序列数据量日趋庞大,数据产生和累积速度快,传统计量模型不能够满足大数据对非线性、高噪声数据的处理要求。机器学习方法能充分挖掘数据特征,学习历史数据规律,应用于后续判断。基于机器学习方法的神经网络具有处理庞大数据集的能力,能够进行良好的非线性拟合,对金融时间序列处理具有无可比拟的优势。本文通过基于LSTM长短期记忆神经网络对充满噪声,非线性变化的动态金融时间序列进行模型预测,弥补基本分析法主观评估的不足,为量化交易工作提供参考,为人工智能方法在金融时间序列问题上的应用提供实践指导性意义。本文基于LSTM神经网络对股票指数每日数据进行回归预测,选取股票价格样本类指数、综合类指数和分类指数三种,建立全序列指数回归预测、单步股票指数回归预测,多步股票指数回归预测三种预测模型。实验过程包括数据预处理、网络误差评价指标、网络模型结构搭建和损失函数图像绘制。分析不同预测方法对不同样本数据集的表现情况,总结相关规律。本文基于LSTM神经网络选择单步预测的网络结构模型应用于个股历史数据的测试。通过量价关系模型,技术指标模型和结合PCA模型对高频个股收盘价进行预测。观察模型拟合情况,对比不同模型间的拟合效果的优劣。探究不同步长对模型拟合效果的影响,根据各个模型的拟合情况,总结相关规律。最后进行模型泛化能力的检测。