深度学习技术作为人工智能领域的研究方向,近些年受到了各界的关注并在各种领域内都取得了广泛的应用,而利用深度学习技术构建神经网络模型对股票价格进行预测和研究一直是金融领域的热点问题。目前经常被用于金融时间序列分析的模型长短时记忆网络（LSTM）,其独特的结构模仿了人脑对于长期信息的记忆模式,能够从更长远的历史数据中寻找股价变动规律。本文主要研究的内容是检验为神经网络模型加入更多的特征向量是否能够提升模型的预测能力,选取的特征向量可以分为三种:股价基本数据、技术分析指标、市场情绪指标。首先本文选取了与股市相关的关键词的百度指数日数据,并使用主成分分析法（PCA）对49个关键词数据进行降维,获得了 10个主成分变量,选取与股价具有显著相关性的7个变量作为市场情绪指标。获得了代表了市场情绪的主成分指标后,本文构建向量自回归（VAR）模型验证了由百度指数日数据构建的市场情绪指标能够影响未来股价的变动。然后,通过构建LSTM模型与支持向量机（SVM）模型分别预测上证50指数5日收益率,验证了加入市场情绪指标的LSTM模型能够提高预测的准确率。在指数涨跌的判断准确率上,SVM模型表现略微高于LSTM模型。最后,本文利用构建的模型设计了一套量化投资策略,并将其与一次买入持有策略及定投策略进行对比,计算出各种量化评价指标。结果显示,LSTM模型在模拟投资中表现优于SVM模型及其他策略,证明了基于深度学习技术的股票投资策略具有实际应用的可行性。本文的主要贡献为:证明了对百度指数数据进行处理后可以衡量市场情绪的变化以预测股价走势,作为模型输入的特征向量可提高LSTM网络的预测性能。并且本文通过构建基于LSTM模型的投资策略,在模拟交易中取得了高于简单持有策略与定投策略的收益,为投资者使用深度学习技术进行投资活动提供了一定的启示。本文结构主要可分为五部分:第一部分对过去使用深度学习算法对金融市场进行预测的国内外文献进行综述,并介绍本文的研究方法及意义;第二部分主要阐述本文所使用的模型结构原理与算法;第三部分通过构建VAR模型验证市场情绪指标与指数收益率具有显著的联系;第四部分构建深度学习模型对上证50指数的5日收益率进行预测,构建投资策略并对其评价;第五部分得出本文研究的结论。