深度神经网络算法是近几年机器学习领域的一个热门话题。最早人工神经网络起源于上世纪40年代,专注于工程应用领域。直到深度网络的概念的出现,深度神经网络成为了新的宠儿,在图片识别、语音识别等领域应用颇多。目前,处理时序数据首选当是循环神经网络(RNN),当应用数据涉及某些顺序机器学习任务时,RNN由于其具有有限短期记忆的优势,可以达到很高的精度。而从原理上讲,1997年,在第一代RNN网络中引入了基于LSTM的架构后,LSTM神经网络模型大大的提高了网络精度。本文尝试将其应用在金融市场预测当中,研究一种更为有效地股市预测模型。本文基于LSTM神经网络模型对股票涨跌进行设计建模,在模型设计方面,考虑了不同的组合,以提高精度为诉求。并且,对模型的训练实例也提供不同的参考样本,以行业为分界线做实证研究,对比模型训练预测效果。针对输入特征,本文提取了个股行情指标、大盘行情指标、财务估值指标,分别将其及其组合作为网络的输入变量,作对比分析;同时还引入牛熊市周期的对比。模型网络结构方面,本文默认采用一层隐含层,过程中通过不断调整隐含层节点数来选择最佳模型结构。参数设置方面,针对学习率、迭代次数进行修改,选出最佳适应参数。同时本文所建立的LSTM神经网络模型是基于Adam算法模型进行优化。最后,我们使用该模型进行了量化回测,实证结果显示,该模型在股市预测中已经能取得了一定的实证效果。这也印证了该模型的有效性。