人工智能技术在各个领域的广泛应用,人工智能算法已经应用于金融领域。而股票价格预测一直是金融研究领域的重点。传统的经济学模型对于股票价格的预测,更注重模型预测的因果关系,但无法刻画更多特征因素。而深度学习模型一直都具有较强的优势,但是目前市场上使用深度学习模型直接进行股价预测的研究不多,且准确率并不高。主要原因在于金融市场的影响因素众多,股票价格时序数据的信噪比亦过低,直接使用股票行情数据进行预测往往效果不佳。本文从这一问题展开研究。获取了四种主要影响股票价格波动的金融数据,分别为描述股票K线图走势的技术面的行情数据、描述上市公司经营好坏的基本面数据、反映金融市场系统性风险的宏观经济指标数据、利好或利空股价的事件驱动型新闻类数据。针对四类数据,本文提出了使用深度神经网络模型对于四种金融数据进行特征提取。此外,由于深度学习模型不具备股价预测的可解释性,因此本文从多市场相关性的逻辑角度出发,构建能够刻画多个市场互相影响的深度学习模型,使用提取的特征数据进行股票价格的预测。本文的主要研究内容包括以下方面:结构化信息和非结构化信息的特征提取。本文通过网络爬虫和金融数据接口获取了行情数据、基本面数据、宏观经济指标数据和新闻类文本数据。对于新闻类的文本数据,使用卷积神经网络模型进行特征提取。对于由行情数据、基本面数据和宏观经济指标数据合成的多维混频时间序列数据,本文提出了一种SCNN(Significance Convolutional Neural Network)模型,并对混频时序进行特征提取,其解决了多维混频时序数据的频率不一致问题,实验结果也表明该方法的有效性。跨市场相关性影响的分析。本文通过修改LSTM(Long Short-Term Memory)的门结构,构建了多维LSTM网络模型,使用深度神经网络模型提取的特征数据进行模型训练。实验结果表明该模型不但可以刻画不同金融市场之间的关联性对于A股股价的影响,也能提高股价预测的准确性。综合评估模型优劣。本文介绍了常用的股票收益评价指标,对于股票的预测结果开发了量化回测平台系统,并设计量化交易策略模型进行贴近真实市场的回测,根据回测结果综合评估和分析本文提出的股价预测模型。