投资者往往使用技术分析或者基本面分析等手段对汇率涨跌进行预测。技术分析基于市场不完全有效的假定,通过金融资产的历史价格来预测其未来价格。随着数学等学科发展,不少投资者使用含参数的解析方程对金融资产价格进行拟合,但经典的金融时间序列预测模型需要假定数据满足某些特定要求,含有参数的解析方程难以对如此复杂的动力学系统进行准确的刻画,因此金融资产价格预测一直难以取得较好的效果。汇率受到众多因素的共同影响,是一个复杂的动力学系统,具有非线性、非平稳性以及长记忆性等特点。本文以外汇市场中的汇率涨跌为研究对象,选取了以人民币为核心的六种货币对,引入深度学习框架,将深度学习领域和机器学习中的长短时记忆模型(Long-Short Term Memory,LSTM)与卷积神经网络模型(Convolutional Neural Networks,CNN)进行融合,以同时利用其特征提取优势。将汇率涨跌预测问题转化为机器学习框架下有监督的二分类问题,分别对日时间尺度K线与60分钟时间尺度K线数据应用以上复合深度神经网络进行特征提取,对六个货币对进行涨跌预测。具体而言,本文选取了美元兑人民币货币对、英镑兑人民币货币对、港币兑人民币货币对、欧元兑人民币货币对、日元兑人民币货币对、加元兑人民币货币对,按照货币对的不同,覆盖至少从2020年3月6日至2020年10月20日过半年的历史数据和最多从2016年10月10日至2020年12月31日4年内的历史数据,对这六种货币对分别使用单一的CNN神经网络,单一的LSTM神经网络和多时间尺度的复合CNN-LSTM神经网络进行汇率涨跌预测。经过本文的研究发现,多时间尺度的复合CNN-LSTM神经网络模型在所有六种货币对上的汇率涨跌预测上表现出了更加有效的预测效果,复合模型的平均样本外预测准确率高于两种使用单一神经网络模型的方案的样本外预测准确率。单独使用LSTM神经网络模型的预测方案在部分货币对中表现出了较好的涨跌预测表现,但整体而言,复合神经网络模型的有效性高于单一神经网络模型,主要原因在于复合神经网络模型能够更有效地提取到汇率历史K线的特征。另外,在港元/人民币、欧元/人民币货币对上预测方案的样本外平均预测准确率高于在其他几个货币对上同一预测方案的样本外平均预测准确率,主要原因在于港元/人民币、欧元/人民币货币对用于训练的数据量高于其他货币对用于训练的数据量。最后,本文对提出的方案作出了不足之处的总结,并对优化汇率涨跌预测方法的思路作出了展望。