精确有效的金融数据分析对投资者规避风险和制定可盈利的投资策略至关重要。因此,对金融数据进行分析有着重要的研究意义。然而,金融市场是一个受多种因素影响的复杂非线性动态系统,根据获取的信息对金融数据进行分析是非常具有挑战性的工作。针对金融时间序列预测的复杂性和长期依赖性,本文提出了一种基于深度学习的LSTM神经网络预测模型。利用堆叠去噪自编码从金融时间序列的基本行情数据和技术指标中提取特征,将其作为LSTM神经网络的输入对金融时间序列进行预测。通过LSTM神经网络的长期依赖特性来提高金融时间序列的预测精度。利用股价指数数据,与传统的神经网络的预测结果比较,基于深度学习的LSTM神经网络具有比较高的预测精度。此外,本文探索了一种用于金融资产交易的自适应交易系统,该系统将深度特征学习方法和直接强化学习相结合。利用深度去噪自编码来进行市场环境探索和特征提取,利用直接强化学习来进行实时的金融资产交易。在真实的金融时间序列上采用不同的性能函数(总利润,可微的夏普比率和可微的索尼提比率)来评估深度交易系统,实验结果表明,将强化学习交易系统与深层结构相结合是有效的。在优化深度交易系统时,建议采用风险调节回报作为能同时平衡利润和风险的强化学习的性能评估。此外,我们还增加交易成本来近似实际交易中出现的滑点现象,这是由于数据集是由指示性的报价组成的,而这些报价实际上并不能实时交易。