股票预测一直都是国内外学者研究的热点和难点,股票研究也具有重要的实际意义和理论意义。股票数据具有时序性,而神经网络在处理时间序列问题上取得了比较好的表现,其中,长短期记忆神经网络很适合处理这种具有长期依赖的时间序列数据,但是LSTM在股价预测的实践还较少,本文主要是对股价预测的LSTM神经网络的研究,研究内容主要包括:（1）在研究对象的选取上,考虑到单个个股进行研究时,很有可能会存在庄家控盘或者主力做市的情况,所以选择股指作为研究对象。由于以中国股市为代表的发展中国家股票市场容易受政策影响,在这篇研究中主要是将美股市场作为研究对象,主要选择了美股市场具有代表性的标准普尔500指数作为研究对象,为了验证模型的可行性,我们会比较该模型在不同股市的预测结果,当达到比较满意的结果时,将该模型拿去验证中国股票市场具有代表性的中证500指数。在特征数据选择上,为了尽量多的考虑影响股票价格的因素,结合过去研究中选取的指标和股价的影响因素,我们从基本交易数据OHLC和技术指标两个方面着手选择了预测股价的25个特征指标。由于各项指标之间具有不同量纲,在数据预处理上,对输入数据进行了归一化处理以此来消除不同量纲的影响。（2）由于输入数据的多维度以及维度间的关系复杂,本文选择了主成分分析这种特征提取方法对输入数据进行了特征提取,主要通过观察主成分分析方差占比来确定其提取的信息是多少,从而确定提取的维度,我们选择了不同维度进行模型构建,通过对比选择预测误差最小的维度数。（3）在LSTM模型的参数设置上,我们分别从隐藏层层数,隐藏层神经元,dropout值,优化函数的选择等方面进行对比,来探讨不同模型结构以及参数设置的股票预测效果。最终确定了本实验中的LSTM神经网络预测模型结构,并且取得了比较好的结果,得到的拟合结果和误差都比较理想。（4）将本实验确定的LSTM神经网络模型预测结果与传统的BP神经网络和RNN神经网络预测结果进行对比,从图形拟合和误差分析两个方面的对比发现LSTM神经网络的预测误差更小,拟合程度更好,充分证明了LSTM模型在时间序列预测中更有效果。（5）为了进一步验证模型的可行性,选择将中股市场具有代表性的中证500指数数据代入模型进行预测,并将标准普尔500指数与中证500指数进行对比,发现中证500指数误差略大一点,这说明了股市的差异会影响预测的精度,但是两者误差都不是太大,虽然基于LSTM的预测模型在预测两种股票价格时无法做到完全拟合,但是股票预测值基本围绕真实值上下波动,预测值的变化趋势与真实值基本一致,说明了模型的可行性。