众所周知,股票是我们国家经济的重要组成部分之一,近年来随着国民生活水平的不断提高,越来越多的人进行股票投资交易。因此对于投资者来说,如何更加准确地预测股票的价格是一件非常重要的事情,因此,越来越多的投资者开始研究股票预测。一般投资者使用传统的技术分析方法来选择要交易的股票,而高级技术分析师则将基本指标数据和技术指标数据结合起来对股票价格进行预测。为了进一步对股票的价格趋势进行研究,科研人员使用数学模型分析的方法根据股票的历史数据来进行预测。随着神经网络的发展尤其是深度学习的迅速发展,深度学习在时间序列预测上取得了不错的成绩。作为递归神经网络的最经典模型之一,LSTM受到了广泛的关注。近年来,使用神经网络方法预测股票数据（例如股票财务和股票数据）已成为研究的重点。随着定量投资概念和算法交易概念的发展,越来越多的人正在使用神经网络系统来预测股票价格以及股票趋势。然而到目前为止,仍然没有良好的指导原则来建立神经网络的隐藏层。因此许多研究人员依旧是根据前人探索的经验或根据自身摸索模型基础结构,并根据以前的经验来调整参数。本文采用了一种LSTM股票价格预测的方法,该方法采用了雅虎财经得到的股票数据,将影响股票调整收盘价的多个相关特征指标引入到模型中,同时使用了基于Dropout、dense等隐藏层来构建基于LSTM的神经网络模型,并且经过不断调整优化模型的超参数信息,得到最终的LSTM模型,并且根据得到的LSTM模型对股票的调整收盘价进行预测,并与其他基础模型或算法进行比较,实验结果表明,与本文提到的传统Last Value模型相比,LSTM预测模型的准确性提高了 8%;相比于经典的XGboost模型,准确性也提高了 3%。与传统的预测方法相比,LSTM模型在RMSE、R2以及误差值等结果上表现良好;因此,使用基于相关特征指标的LSTM模型是股票价格预测的一个不错的选择。