股票时间序列是一种常见的非线性时间序列,现有的股票时间序列预测研究主要集中在对股票的多个技术指标中单一变量的预测研究方面,大多学者只用某种具体方法对股票技术指标之一的预测应用进行探索,并没有考虑到多个指标对单一输出的联合影响,更没用构建一套系统可行的股票价格时间序列预测建模体系。随着机器学习算法的发展,神经网络模型的广泛应用,针对股票时间序列数据所具有的高噪声、非线性、影响因素复杂等特点,本文分析当前广泛应用于非线性时间序列预测的前馈神经网络预测算法存在的问题,借助新的理论和方法提出基于反馈神经网络的LSTM多尺度非线性时间序列预测模型,并将其运用在股票时间序列的预测中,实验深入挖掘股票时间序列中的固有规律,为新型神经网络技术在股票时间序列预测分析中的应用研究提供一定的价值。论文首先对前馈BP神经网络预测模型进行研究,对影响其预测性能的内部网络参数进行分析,选取收盘价这一单尺度作为网络的输入,建立BP神经网络预测模型。实验结果表明,当历史数据集的输入维度一定时,隐含层节点的设置对其预测性能有明显的影响。而历史训练数据集足够大时,相同输入维度下的网络误差对隐含层节点的设置并不敏感。在此基础上,本文利用LM算法和贝叶斯正则化算法(Bayesian Regulation,BR)对神经网络的训练规则进行改进,网络的输入部分除采用每日的收盘价、开盘价、最高价、最低价和前一日的收盘价五项基本指标外,还加入了十日均价、二十日均价、历史波动率三项波动指标。实验结果表明,多尺度预测模型下预测性能均优于单尺度下的预测性能,其中多尺度BR-BP预测模型具有更好的预测性能。在此经验基础上,针对股票时间序列的时序特性,研究具有时序概念的新型反馈神经网络LSTM网络,并对股票时间序列进行预测分析,样本空间仍采用上述的多尺度训练数据集,模型的训练过程中加入随机失活对网络结构进行优化。将预测结果与前馈神经网络模型进行多重比对,证明LSTM网络对于非线性时间序列预测的可行性和高效性。并通过在不同样本数据下的预测实验分析,验证了该模型具有一定的鲁棒性。