预测股票价格在制定交易策略或决定买入或决定卖出股票的适当时机方面发挥着至关重要作用。在当前人工智能技术的迅速发展情况下,加之大数据分析技术驱动,使得股票市场和股票价格预测的研究步入新的阶段。人工智能系统建模,使用恰当的架构,可以为金融市场预测提供新的机会。非线性逼近能力和自学自适应是神经网络深度学习算法的两个特征。它是金融市场预测的一种主要方法,经常得到运用。其中,LSTM（Long Short Term Memory,长短时记忆）神经网络,是一种用来处理预测时间序列中关键事件的循环神经网络,并且这些关键时间往往间隔和延迟相对较长的。该方法经常被用于股票价格预测,是一种比较实用的工具。本研究基于对股票价格预测的需求以及所面临的现实问题,通过比较分析多种神经网络预测方法,最终选择LSTM神经网络。进而通过深入研究小批量梯度下降算法优化的LSTM神经网络如何预测股票价格,分析该方法的可行性和模型的适用性得出结论。研究发现历史信息作为投资决策的基础对投资者来说非常重要。以往研究将开盘价和收盘价作为预测金融市场的关键信号,但是,极端的最大值和最小值可能会为未来的价格行为提供额外的信息。因此,本研究选取了三个我国股票市场中代表性指数作为研究对象,从中收集的关键数据包括交易日开盘价、交易日收盘价、交易日每分钟最低价、交易日每分钟最高价、交易日期以及交易日每分钟成交量等。研究结果表明,尽管LSTM神经网络模型虽然存在一定局限,例如预测的时间具有滞后性,但通过结合注意力机制能够且适合用于预测股票价格。其主要原理是通过分析股票市场的历史信息发现时间序列的作用,并通过LSTM神经网络模型的选择性记忆功能深入挖掘其内在规律,从而实现对股票价格趋势的预测。