金融市场被认为是世界经济的核心，在这个世界上，每天都有数十亿美元的交易。很明显，这对市场未来行为的良好预测和对交易者来说都是非常有价值的。然而，由于这些市场的动态和嘈杂行为，做出这样的预测也是一项非常具有挑战性的任务，多年来一直都是研究的主题。从股票市场起步以来，准确预测股票价格一直是投资者追求的目标。只有能够做出正确买卖决策的投资者最终才能获得利润。为了做出正确的决定，投资者必须根据技术分析做出判断。近年来，深度学习的方法是一门适合于自动特征提取和预测的现代工具。然而，深度学习的方法能够从原始数据或简单特征数据中逐步构造出有用的复杂特征。由于股票市场的行为是复杂的、非线性的和嘈杂的，因此提取足够信息量的特征来进行预测似乎是一个核心挑战，而深入学习似乎是一种很有前途的方法。本文讨论了在股票价格实际涨跌事件发生前，应用于股票交易预测股票价格的深度学习的技术。本文对过去提出的基于三个深度学习的方法，对股票价格预测策略进行了技术分析。目前，一种理想的股票市场预测的自动方法是从不同的信息源中提取有用的、对市场预测有利的特征，并根据这些特征训练出一个预测模型，最后利用所得到的模型进行预测。本文的重点是确定哪种深度学习技术对股票价格预测效果最好。本文研究的三种深度学习技术，分别是多层感知器、递归神经网络和卷积神经网络。在本研究中，我们将以一般股票的短期价格预测为重点，利用股票价格的时间序列数据，采用多层感知器、递归神经网络和卷积神经网络三种不同的深度学习结构，对泰国证券交易所上市公司（SET50）的股票价格进行预测，并对泰国证券交易所上市公司的股票价格进行比较。在这三种深度学习方法中削减绩效。采用百分比误差对模型的性能进行量化。
　　综上所述，本文采用三种不同的人工神经网络方法，即多层感知器、递归神经网络和卷积神经网络，应用于股市价格走势的预测。我们比较了SET50每天训练的结果，特别显示了卷积神经网络可以比所有其他考虑的架构更好地模拟财务时间序列。通过对SET50上市公司的股票价格预测提出一种基于深度学习的形式化方法，对三家上市公司进行了股票价格预测实验。可以看出，卷积神经网络体系结构能够捕捉隐藏的动态，并能够做出预测。我们利用SET50的数据对模型进行了训练，能够预测BBL公司、CPall公司和PTT公司的股价。这表明，所提出的系统能够识别数据中的某些相互关系。此外，从结果可以明显看出，卷积神经网络结构能够识别趋势的变化。对于所提出的方法，卷积神经网络被确定为最佳模型。