股票市场的高收益与高风险并存,因此预测股票走势一直是学者们研究的热门课题。股价序列具有高噪声、非线性、非平稳等特点,同时,影响股市行情的因素众多,因此预测难度较大。早期人们多利用ARIMA、GARCH等传统时间序列模型进行建模,但这类模型的假设很强,有很大限制,预测精确度有限。随着计算机技术的提高和神经网络的迅猛发展,出现了两类可用于处理序列（sequence）数据的深度学习模型:一类是LSTM,LSTM在RNN基础上加入了门控机制,可以很好地对时间序列进行描述,能够提取序列的特征信息,具备记忆能力;另一类是Transformer,Transformer是典型的Seq2Seq模型,近年来在自然语言翻译和高级视觉等任务上表现出显著的性能提升,受此启发,本文试图对其模型进行改进,应用于股价预测中。本文选取工商银行2010-2022年的股票数据作为研究对象,在LSTM和Transformer模型的基础上进行预测建模,加入信号分解中的EMD、EEMD和CEEMDAN方法,同时以ARIMA作为对比模型,通过比较MAE、RMSE、MAPE和R2这四个评价指标,旨在探索表现更好的预测模型。本文得到的结果如下:1.验证了 Transformer应用于时间序列任务的可行性和有效性,建立用于时间序列预测的 TST（Time-Series Transformer）模型,R2 能达到 0.924;2.在Transformer结构中加入LSTM,提出LSTM-TST模型,不仅能提升TST模型的训练速度,可以更快地收敛,还能显著提高其预测表现,预测R2提升到了 0.948;3.将EMD等信号分解方法与上述神经网络模型相结合,建立了一系列混合模型。实验结果显示,表现最好的模型是EMD-LSTM-TST和CEEMDAN-LSTM-TST,在各个预测评价指标上都会显著优于其他模型,体现出混合模型相较于传统统计模型和单一神经网络模型的优势。