股票市场研究一直是经济学研究的一个重要部分,股票市场是一国经济状况的晴雨表,一直以来受到政府与管理者以及投资者的高度关注。其中短期股价趋势的预测更是成为投资者研究关注的重点。股票市场受多种因素影响,是一个极其复杂的非线性动力学系统,具有很强的复杂性与非线性,使股价波动具有不确定性、高噪声等特点,股价预测的结果也往往不尽人意。而且股票市场具有的信息量十分庞大,随着大数据时代的发展,给股票市场预测提供更多信息的同时,对大量数据的处理能力也是影响股票市场预测研究的重要部分。如何利用新的理论建立可以应用于股票市场预测的模型提高股票市场预测的准确度对金融投资者具有很大的理论意义与应用价值。神经网络作为常用的非线性动力学系统一直在经济、金融领域的预测问题上得到广泛的应用,并在学术研究上取得了不错的效果,而传统浅层BP神经网络模型存在学习速度慢且容易陷入局部收敛等问题。2006年加拿大学者Hinton提出的深度学习神经网络为人工智能领域带来了新的希望。其中深度信念网络是深度学习的典型模型,目前深度信念网络主要应用于语音识别、图形提取等方面,取得前所未有的成功,同时各领域的学者们也渐渐尝试将深度信念网络应用到其他方面。模糊理论与神经网络的结合应用已有四十多年,各种研究证明神经网络与模糊理论的结合可以有效弥补其自身的不足。本文综述了股票市场短期预测以及模糊理论与深度信念网络的理论基础,研究了DBN模型的学习算法,通过实验的方法构建股价预测的模糊深度学习网络模型。首次将深度学习网络应用于股票市场预测,并对模型效果进行了检验分析,通过实验确定了DBN最有结构,并应用模型对不同股票进行了实证分析,同时与浅层BP神经网络效果进行了对比分析,为进一步验证模型的预测能力,将原来的一分钟数据分别改为五分钟数据和十分钟数据进行了对比分析。各种实验结果表明,所构建基于模糊理论与深度学习网络算法的股价预测模型效果良好,具有很大的研究前景。