随着经济全球化以及数字经济学的迅速崛起,推动了全球经济的快速发展。股票市场作为金融行业中最为重要的一部分,对经济的波动有着重要影响。股票价格涨跌的不确定性、难预测性和高回报高风险性,激起了众多学者的研究热潮,更受到了广大投资者的关注与追捧。如何提高股票涨跌预测的变化趋势成为众多学者与投资者最为关注的热点,因此,对金融趋势预测技术模型的研究与设计不仅具有深刻的理论意义,也具有非常重要的使用价值。由于人工智能技术在近年来飞速发展,从而推动了机器学习在多种场景中得以迅速地发展与广泛应用,这也激起众多学者们研究机器学习的研究兴趣。基于现今技术发展趋势,本文以未来的金融时序涨跌趋势作为预测目标,以股票历史数据属性值为研究对象,基于深度机器学习的方法,对金融时间序列预测的性能、精准度进行了研究与分析,并分别设计出基于长短期记忆神经网络（LSTM）的LSTM-XGBoost混合预测模型以及在该模型基础上结合模拟退火算法构造的LSTM-SA-XGBoost混合预测模型。本文主要的研究内容和创新点包括以下几个方面:（1）提出了基于长短期记忆神经网络（LSTM）的组合模型作为基本理论基础,以金融时序涨跌预测为目标,首次设计出LSTM-XGBoost组合模型。首先分析股票历史数据中属性数据与预测目标的相关性,利用长短期记忆网络对处理时间序列数据的优势,将股票中的属性数据通过LSTM网络模型进行预测,然后将预测结果作为XGBoost的测试集,不断调整各模型的参数,最终得到最优股票涨跌预测模型,从而使预测模型性能得到提升。通过不同模型的预测结果对比分析,可以得出LSTM-XGBoost混合模型在股票涨跌预测中具有一定的稳定性、可行性。（2）提出了一种基于相关性分析的LSTM和模拟退火算法优化的极端梯度提升（XGBoost）混合金融时序预测模型（LSTM-SA-XGBoost）。综合考虑了LSTM与XGBoost组合模型的优点,采用随机搜索因素的贪心算法,优化XGBoost模型的参数,并采用双层LSTM模型更新测试集数据,然后使用模拟退火优化的XGBoost模型对处理后的股票数据集进行预测,最后将LSTM-SA-XGBoost、LSTM-XGBoost、LSTM、循环神经网络（RNN）四种模型的预测结果进行对比分析。从而得出本文提出的LSTM-SA-XGBoost混合模型的在金融时序涨跌预测中具有一定的优越性。