随着计算机技术的稳步发展,机器学习、人工智能等技术也开始崭露头角。近年来,这些技术的应用范围除计算机领域,更是被应用到金融、医学等研究领域。这也给其他领域原有的一些研究方法带来了一定的机遇和挑战,但同时也能够用这些技术和方法解决以往不能克服的难题。比如在金融领域,尤其是量化交易者们更是对深度学习等技术趋之若鹜。因为从本质上来讲,深度学习和传统的统计学模型一样,都是不同的数学模型在一种特定场景下的应用,可谓万变不离其宗。深度学习在金融领域的应用多集中于股票市场价格和趋势的研究。这是由于一般的股价时间序列数据由线性和非线性两个组成部分,传统的模型对其非线性部分的处理具有一定局限性,深度学习的应用正好是对传统模型的补充。基于此,利用线性和非线性相结合的预测模型,即ARIMA-LSTM混合模型对标普500股价相关系数进行预测能够得到更加精确的预测结果,以期能够帮助投资者理性分析投资目标,做出合理投资决策,对促进股票市场的健康发展具有重要意义。本文选取2010年1月1日至2019年12月31日纽约交易所每个日度交易数据作为研究样本,利用ARIMA模型及LSTM模型对样本区间后10%股票序列未来趋势进行预测,再利用ARIMA-LSTM混合模型对随机生成的成分股组合与标普500股价间相关系数进行预测,研究结果表明:(1)ARIMA模型与LSTM神经网络模型对标普500都具有较好的预测性能;(2)LSTM神经网络模型预测性能优于ARIMA线性模型;(3)ARIMA-LSTM混合模型作为投资组合优化的相关系数预测优于其他金融模型;(4)ARIMA-LSTM混合模型具有较好的稳定性和泛化能力。