我国股票市场的产生、发展至今,历经30年的不断发展与改革,已经逐渐成为推动我国国民经济增长的主要力量之一,是我国金融市场不可缺少的重要部分。正是因为我国股票市场在国内金融市场占有重要的地位,股票价格的波动趋势受海内外经济政策以及国际趋势等多种影响因素的综合影响,并且各种影响因素之间相互制约、相互干扰,从而使我国股市的股票价格波动趋势具有随机性地特点。股票数据作为传统的金融时间序列数据,具有一般时间序列数据所具有的动态非线性、高度嘈杂性以及非参数等特点。因此,构建合理的股票市场数据预测模型,对股票市场数据做出合理的预测是十分重要的。本文设计的XGBoost-LSTM神经网络模型,创新的将梯度提升决策树（XGBoost）模型与长短期记忆神经网络（LSTM）相结合,共同作用,对股票市场数据做出预测。梯度提升决策树（XGBoost）模型是当前火热的机器学习模型,不仅在数据预测方面有着良好的表现,在特征选择上表现更为优异。本文使用梯度提升决策树（XGBoost）从影响股票价格走势和波动情况的众多特征指标中选择较为重要的特征:Volunm和Ma5,与收盘价、开盘价、最高价、最低价组成特征数据集,作为长短期记忆神经网络（LSTM）模型的输入数据,很好的提升了长短期记忆神经网络（LSTM）模型的预测性能。最后建立了基于XGBoost-LSTM神经网络的沪深300指数的预测模型,设置了对照组对照模型,并建立了多种衡量指标。从直观的角度和衡量指标两个角度分别对实验结果进行了分析。实验结果表明,本文所设计的XGBoost-LSTM神经网络模型在股票价格的预测上具有更好的表现。通过将本文所设计的XGBoost-LSTM神经网络模型与改进的长短期记忆神经网络（LSTM）结果的对比分析,说明梯度提升决策树（XGBoost）模型对长短期记忆神经网络（LSTM）模型的预测性能有较大的提升。通过改进的长短期记忆神经网络（LSTM）与人工神经网络（ANN）以及移动平均自回归（ARIMA）模型实验结果的对比分析,不管是直观角度还是衡量指标的角度,改进的长短期记忆神经网络（LSTM）的预测结果相较于其他的预测模型,表现都更为优秀,说明本文说设计的XGBoost-LSTM神经网络更适合对股票价格的波动情况及趋势进行预测。但是在股票价格指数走势的方向预测准确率方面的表现并不是特征突出,因此本文所设计的XGBoost-LSTM神经网络模型还应该在股票价格指数走势的方向预测准确率方面做进一步的优化和改进。