对于利润最大化,基于模型的股票价格预测可以为投资者提供有价值的指导。然而,金融数据中存在高噪声,使用原始数据训练的深度神经网络无法实现准确地预测股票价格。为了解决这一问题,采用广泛应用于信号去噪的小波变换去噪方法对训练数据进行预处理,实验结果表明,采用软/硬阈值方法进行数据预处理可以明显抑制噪声。在本课题研究中,主要工作有:首次提出使用小波变换的方法来对原始股票数据作预处理,并将预处理数据应用于模型训练;改进了原始的小波去噪方法,改进后的方法进行数据预处理的模型训练结果性能得到提升;此外,还提出了一种新的多优化组合小波变换(MOCWT)方法,实验结果表明该方法对原始数据预处理的效果最好,在该方法中,提出了一种新的阈值去噪函数来对原始数据进行预处理,以降低信号重构中的失真程度。本课题实验中,利用小波预处理后的数据作为长短时记忆网络(LSTM)模型的训练数据来进行训练,从而进行股价预测。LSTM是一种特殊的循环神经网络(RNN),因为它本身具有的独特的“门循环”结构使得LSTM更适合于处理和预测较长时间间距和时间序列延迟类的问题。LSTM是一种典型的非线性模型,通常被看作是一个复杂的非线性单元,被用来构建更复杂更庞大的深度神经网络。在神经网络模型训练过程中,大多利用反向传播算法对神经网络进行误差最小化的方式来优化网络。但是由于参数反向传播优化过程中的倍增机制,通常当神经网络的层数较深时,往往比较容易出现梯度消失或梯度爆炸的现象。LSTM的“门”结构机制则可以很有效地避免这一现象。在本课题实验中,使用了四种不同的数据进行模型训练,分别是:未处理的原始股票数据;使用原始小波方法预处理的数据;改进的小波方法预处理的数据;新提出的多优组合小波变换方法预处理的数据。并分别对训练出的模型预测结果作了对比,此外,还分别对不同层数的神经网络的预测效果进行对比。实验结果表明,改进了的小波方法的性能优于原始小波方法,提出的新的小波变换方法(MOCWT)在预测精度方面相较于改进的小波方法以及原始小波方法,其性能最佳。