随着我国经济的大发展,股票市场也在不断加强建设,投资种类不断丰富,股票研究的核心已经由盈利转移到有效规避风险。为了能更好的以现代投资组合理论指导投资,构建投资组合,分散非系统性风险,本文在股票数据的研究中做了以下工作:首先,本文构建了股价数据的时间序列矩阵。股价数据的具有离散时间序列的典型特征:维度高、数据量大、长短不一致,同时还有数据稀疏问题。本文基于Tu-Share的金融数据接口获取2017-2018年的股票的收盘价数据,并对每只股票基于时间序列的股价进行归一化处理,处理后的数据存在数据稀疏性的问题,以缺失值填充的方法来解决,最终得到可以作为模型输入的时间序列矩阵。其次,本文构建了基于Auto-Encoder的股票交易数据的聚类模型。利用Auto-Encoder算法特征降维的特点提取更高维度特征,削弱了聚类过程提取特征规律时受噪声影响过大的问题。实验证明将该模型用于股票聚类,可以得到高内聚低耦合的聚类结果,证明了模型的可行性,同时新模型可以在大数据量下获得较好的表现,收敛速度也比原模型更快。然后本文建立了基于深度信念网络的股票簇涨势的短期预测模型。在之前的研究中发现作为深度学习常用模型之一的深度信念网络在预测方面具有较好的表现,因此基于深度信念网络构建了适用于股票时间序列数据的股票簇的短期涨势预测模型,并进行实验和BP神经网络模型进行比较,实验结果表明该网络具有更好的预测准确度,间接证明了股票聚类模型的有效性。最后本文将研究的理论结果应用到真实场景中,一个研究成果仅仅是真实场景的一小部分,将股票方面的研究成果有效聚合起来会是股票工程领域的一大步。