股票,一个伴随着股份制公司的出现而出现的金融产物,迄今为止,已经有接近400年的历史了,与其同时诞生的还有股份制公司与股票交易所,为世界经济带来了巨大的变革。对于投资者而言,股票与其他种类的投资相比,其投资门槛低,有获利空间,从而吸引了大量的中小投资者加入其中,然而风险与收益并存,影响股票价格的因素众多,寻求一种切实可行的选股策略来降低投资风险,成了众多投资者所渴望的东西。随着近几年机器学习学科以及计算机算力的不断发展,越来越多的人尝试将深度学习算法应用到各个领域中,其中,集成算法凭借着其众多的亚态模型以及泛化性,在工业界尤为热门。近几年的各大比赛中,基于梯度下降树进化而来的LightGBM集成模型凭着其优异的运算速度以及精确度崭露头角。在另一方面,循环神经网络模型在处理金融时序序列中,有着优秀的表现,而由循环神经网络改进而来的长短期记忆网络模型更是受到追捧,不断的有研究者进行着尝试将其应用在股票价格预测中。而栈式自编码算法是基于无监督的机器学习发展而来的一种算法,其在高级语义与特征工程提取上有着独特的表现。本论文中,使用了贵州茅台从2009年3月1日到2019年3月1日,共10年的历史前复权股票价格数据（排除节假日、双休、以及停牌等情况）,共2420条数据进行研究。选取了其6个技术特征:短线5天的移动平均线与长线10天的移动平均线;布林上线与布林下线;K线与D线。加之8个数据特征:最高价,最低价,开盘价,收盘价,涨跌幅,换手率,交易量,上证综合指数。共14个特征作为了本论文的原始特征集合。次日收盘价为标记值。来对本论文的创新点进行实证。本论文对LightGBM模型进行了变形,提出了一种基于栈式自编码改进的LightGBM股价预测方法,使用栈式自编码算法替换了互斥特征捆绑算法,利用栈式自编码算法对14个原始特征集合进行特征提取,将提取结果与原始特征集合相结合组成复合特征集,再输入LightGBM模型中进行训练,增加了决策树集合的泛化性。通过贵州茅台数据的实证,将基于栈式自编码算法改进的LightGBM模型与传统的LightGBM预测模型进行比较,获得了更加准确的拟合曲线,以及更加稳定的收益曲线,具有一定的现实意义。在另一方面,本论文针对股票数据非稀疏非高维的特点,提出了一种基于栈式自编码和长短期记忆网络的股价预测方法,将具有特征提取的栈式自编码与长短期记忆网络模型结合使用,先利用栈式自编码算法对于14个原始特征集合进行特征提取,将提取结果与原始特征集合相结合组成复合特征集,输入长短期记忆网络模型进行训练。通过贵州茅台历史前复权股票数据的实证,将基于栈式自编码与长短期记忆网络预测模型和传统的长短期记忆网络模型相比,前者模型的平均误差率下将了百分之五,在时间步长为15时,具有最稳定与准确的结果。将基于栈式自编码与长短期记忆网络预测模型与基于栈式自编码算法改进的LightGBM模型相比,前者虽然在训练时间上有所增加,但收益曲线得到上升。