如何对股票价格未来的走势做出正确的判断是投资者关注的核心问题之一,这不仅有利于投资者做出合理的投资决策,而且也有利于提高市场的有效性,并促进资本有效合理地分配。由于股票市场是一个复杂度极高的非线性交易系统,影响股票价格的因素众多、影响机理复杂,传统的统计学模型难以对股票价格进行有效预测。而人工神经网络由于自身具有高度的自学习、自调整的能力,并且具有较强的鲁棒性,能够考虑大量的影响因素,通过复杂的非线性结构对预测目标进行拟合。因此,论文探索了人工神经网络在股票价格预测中的应用研究问题。论文主要工作有:第一,综述了国内外用人工神经网络预测股票价格的相关文献,总结了基于误差逆传播算法的前馈神经网络(BP)等人工神经网络模型在股票价格预测中应用。第二,对国内外学者较少涉及的深度学习中的循环神经网络模型(RNN),论文从避免其梯度消失与梯度爆炸缺陷的角度出发,探讨了基于RNN神经网络模型的变种长短期记忆网络模型(LSTM)对股票价格的预测问题。实证分析中,数据选择沪深300指数2005年5月1日至2017年9月30日中所有交易日的K线数据,包括开盘价、收盘价、最低价、最高价、成交量和成交额等6个属性共3022组日历史交易数据,并对不同模型预测结果的均方误差以及平均绝对误差进行对比分析。实证结果表明,LSTM神经网络的预测效果优于RNN神经网络的预测效果,RNN神经网络的预测效果优于BP神经网络的预测效果。第三,为了避免常用的随机梯度下降法由于采用固定学习率引起的难以收敛到最优值的缺陷,论文选用了一种动态更新学习率,自适应的参数更新的方法Adam(Adaptive Moment Estimation)。实证结果表明,基于Adam的LSTM神经网络的预测效果优于基于随机梯度下降法的LSTM神经网络的预测效果。第四,为了提高LSTM神经网络模型的预测能力,论文选用了栈式LSTM神网络模型,并将栈式的LSTM神经网络模型与Adam算法相结合,以达到更优的预测结果。实证结果表明,基于Adam的栈式LSTM神经网络的预测效果优于基于Adam的LSTM神经网络的预测效果。