股票长期以来都是万千民众喜好的理财方式,由于我国股市有效性不强且股票价格变动存在一定的运动规律,因此被认为其股票走势是可以预测的,于是各种量化方法被应用于股票预测中,为股民进行股票交易提供了参考依据。近些年来机器学习与深度学习算法的蓬勃发展给股票预测量化手段提供了新的思路,其中LSTM神经网络算法能够有效处理长短期金融时间序列数据,且算法十分关注模型的准确性;而XGBoost算法在分类、回归、预测等多领域都已经取得了较好的效果,且算法更专注模型的可解释性,故本文主要通过构建LSTM模型、XGBoost模型及LSTM-XGBoost组合模型,以期达到对股票收盘价走势变动情况的有效预测。本文以上证综合指数（股票代码:000001.SH）为例,选取股指数据2016年9月5日至2021年8月6日,共1197组交易日数据展开论述。首先从交易维度、技术维度、估值维度三方面选取输入指标数据后,对上证综指原始指标数据进行描述性统计分析,确定股票价格的历史走势情况并分析各变量间的关联性,同时对原始数据进行一系列预处理,包括主成分降维处理、归一化处理等。接着分别构建LSTM神经网络模型、XGBoost集成学习模型、基于学习法的LSTM-XGBoost组合模型及基于加权法的LSTM-XGBoost组合模型,调参处理得到相对较优的参数设置后,将预处理后的数据依次输入构建好的若干机器学习模型中,对股票未来收盘价的走势变动进行预测,同时分别绘制单一模型与组合模型的拟合效果图,运用预测精度指标、预测相关性指标及涨跌预测准确率等指标评价各模型预测效果,从而选取相对最优的预测模型。最后,随机选取股指数据集和个股数据集来验证所选取的最优LSTMXGBoost组合模型在股票走势变动预测上的普适性。通过实证,可以发现:在上证综指数据集上,（1）单一模型中LSTM模型预测效果显著好于XGBoost模型;（2）LSTM-XGBoost组合模型的预测效果较单一模型显著提高;（3）在基于加权法的组合模型中,误差倒数法组合模型预测效果显著优于简单加权法组合模型、预测误差平方和倒数法组合模型;（4）基于加权法的组合模型预测效果好于基于学习法的组合模型;（5）本文所构建的所有模型中,基于误差倒数法的组合模型预测效果最优。同时,本文另外选取股指数据深圳综指（股票代码:399106.SZ）、个股数据福耀玻璃（股票代码600660.SH）作为实验对象,进一步验证了基于误差倒数法的组合模型在股指数据和个股数据上的普适性。