股票是人们日常生活中一种重要的投资方式,合理分析股票价格的走势并作出准确的预测一直是投资者和金融学家们关心的问题。由于股票数据存在非线性、多特征等特点,传统的基于统计学构建的预测模型难以对股票价格作出准确的预测。近年来,人工神经网络依托硬件技术的进步取得了长足的发展,可以高效地处理大量、多维的数据,这为股票预测领域提供了新的研究方向。但股票价格的走势与多种因素有关,如板块效应、宏观经济政策、技术指标等因素都会影响到模型的预测精度,而目前的股票预测方法往往都只考虑了某一方面的特征。此外,单一深度神经网络组成的股票预测模型在预测过程中会出现过拟合现象,难以对股票价格作出准确的预测。针对上述两个问题,本文提出了以下两种金融时间序列预测方法:1.提出了一种基于板块效应的深度学习股价走势预测方法。经研究发现,某些因素（如政策变化,社会突发事件等）会对同板块下的多只股票价格产生相同的影响,导致同板块下的多只股票在某个时间段内出现相似的走势,即板块效应。针对这一现象,该方法首先使用皮尔森相关系数和XGBoost算法对同板块下多只股票的收盘价进行分析,筛选出与预测股票具有高相关性的同板块股票,并使用主成分分析方法对筛选后的同板块股票数据进行降维,以提取股票的价格走势;其次,构建了一个CNNLSTM深度学习混合预测模型,以解决单一神经网络预测精度较差的问题,该模型使用银行、医药、酒业、娱乐传媒四个板块的股票数据作为实验数据集。通过对比实验分析,基于板块效应的深度学习股价走势预测方法在4个板块数据中均取得了较好的指标。2.提出了一种基于多元特征的生成对抗网络模型。针对股票的基本面分析与技术分析对股票价格的影响和CNN-LSTM模型预测精度仍然较差的两个问题。该模型首先使用小波变换对于获取到的汇率特征进行去噪,并通过主成分分析方法对Ta-lib金融数据库生成的多个金融技术指标进行降维;其次,使用生成对抗网络作为预测框架,在生成器中使用基于注意力机制的CNN-LSTM模型对股票数据进行预测,在判别器模型中使用卷积神经网络与多层全连接网络。实验证明该方法在拟合效果和预测精度上都要优于所使用的对比模型。针对股票预测模型中,股票价格会受板块效应、股票基本面分析与技术分析的影响,以及当前预测模型预测精度低等问题。提出了两种金融预测方法,并在多个股票数据集上进行验证,结果表明所提出的两种金融预测方法均要优于对比模型,具有更好的拟合效果和预测精度。