对股票进行高效精准预测一直是研究者孜孜不倦追求的目标,为提升股价预测精度,本文基于LSTM和XGBoost进行改进得到变权LSTM-XGBoost组合模型,即首先引入LSTM与XGBoost模型对股价分别进行预测,再采用基于残差的自适应赋权方式将两者的预测结果进行有机融合,进而得到最终预测结果。另外,以往模型在输入数据方面往往不全面,本文丰富了输入数据,构建包含目标股票基础历史数据、技术指标数据、财务数据、关联股票数据在内的多源指标体系。以随机抽样的方式在沪深300指数成分股中抽取五只不同行业的股票作为研究对象,时间从2015年1月5日到2021年12月31日。先将目标股票的基本历史数据与技术指标数据作为输入源,分别输入BP、LSTM、XGBoost模型进行对比研究,论证了 LSTM与XGBoost在股价预测的优越性;然后输入等值赋权LSTM-XGBoost、自适应变权LSTM-XGBoost组合模型,结果表明自适应变权LSTM-XGBoost组合模型预测精度相对于单一模型有很大程度的提高,且对于模型组合方式,自适应赋权优于等值赋权。接着,在自适应变权LSTM-XGBoost基础上,探究不同输入数据对模型预测性能的影响,即将财务数据、关联股票数据分别加入目标股票基本历史数据与技术指标数据中,组成目标股票数据+财务数据、目标股票数据+关联股票数据、目标股票数据+财务数据+关联股票数据三种不同输入源。结果发现分别加入财务数据与关联股票数据均能有效提升模型预测效果,且输入数据越全面,模型预测精度越高。