金融市场是一个典型的复杂系统,它既包含很多子市场,又同时与很多市场相关联。在上世纪初,人们乃至许多学者都认为这个复杂系统难以衡量和研究,于是早期的经济学、金融学理论大都建立在简化的系统之上,如资本资产定价模型(CAPM)建立在市场中存在大量同质的理性投资者等严格的假设上,随着学者们的不断研究,经济学金融学理论逐渐发展完善。直到今天,CAPM模型仍然活跃在很多课堂乃至于工作中,告知了我们金融市场这一复杂系统值得研究。随着时代的发展,金融市场同样在发展,各种新兴创新的金融产品及市场机制都被提出并应用。传统的市场理论如市场有效假说EMH等都存在各种问题并难以解释,而利用金融市场时序数据预测模型能够帮助揭示金融市场的内在运行规律,凸显特殊新兴的要素来认识市场,并利用其监管市场,具有十分重大的理论价值;而利用预测模型预测趋势结果能够帮助投资者们选择投资时机,预期投资风险和结果,更好地实现投资效率,具备一定的现实意义。面对如今日益复杂演化的金融市场,传统预测模型虽然理论上仍然有不错的效果,但在实际应用与判别市场未来趋势上,却难以做到切实有效。而机器学习和数据挖掘领域中愈发火热,颇具代表性的深度学习模型,逐渐站上了舞台。几年前AlphaGo战胜世界围棋冠军的壮举就展示了深度学习的卓越能力,如今深度学习模型已经深入到我们身边的衣食住行,方方面面。然而金融市场作为一种非平稳、无穷方相互博弈的复杂性体现,不是一种模型可以一蹴而就的。学者们尝试各种方式各种模型不断的研究着金融市场。本文选择利用深度学习模型来探究金融时间序列预测的可行性和效能水平。考虑了目前金融市场预测模型的发展脉络和发展方向,采用了在图像识别等领域颇有优势的栈式自编码神经网络SAEs(Stacked AutoEncoders),来对金融时间序列数据进行预测分析。理论上比较而言,SAEs模型是可控数量的多个自编码器的有效堆叠,实现对输入数据的高维抽象信息提取,并通过逐层贪婪学习算法,避免深层模型容易出现的梯度爆炸等问题,能成功拟合和得到预测结果。本文选用了沪深300指数日数据作为中国股票市场情况的代表来进行实证,分别建立SAEs模型与BP神经网络和长短期记忆递归神经网络LSTMRNN两种模型,对日收盘价及日收盘价的趋势变动进行实证预测并比较分析。实证结果表明标准参数下SAEs模型相比BP神经网络模型和LSTM-RNN模型取得了更好的预测效果和预测精准度。同时通过静态预测的方式,得到不错的股票指数的短期趋势命中率。最后考虑了栈式自编码神经网络SAEs模型自身的复杂性和逐层算法的复杂性,进一步从不同的维度来优化SAEs模型在短期趋势命中率上的预测结果。实证结果表明输入数据为日收益率时能得到明显优于日收盘价的趋势命中率,同时输入数据信息量更大时能得到更好的趋势命中率,而SAEs的模型架构及自编码器隐含层层数与输入数据互相干扰,影响着预测精准度。另外增加了美股市场代表的标普500指数日数据比较分析中美两国股票市场的差异性,验证了市场的可预测性及栈式自编码神经网络的泛用性。