股票市场是社会主义市场经济体系的重要组成,股票价格的波动可以反映宏观经济的发展状况。随着市场交易的日常化,股票价格预测逐渐成为当前学界业界共同关注的问题之一。然而,股票价格受着多因素的影响,时刻处于非线性的动态变化之中。若能实现较为精确的预测,将有助于投资者降低投资风险、建立组合投资策略,也将为中国股市的理论研究提供有力参考。因此,如何选择和量化股票价格预测的影响因素、应用何种预测模型,便具有重要的理论研究价值。鉴于股票价格关于其影响因素变化的敏感性,其预测难度巨大。人们不断尝试应用包括历史交易信息、宏观经济指标、技术指标、互联网舆情和金融研报等各式各样的数据源,以及应用诸如现代计量经济学、机器学习和人工智能等各类新的模型方法,进行股票价格预测研究。不同来源的数据影响角度不同,融合多种数据源的股票价格预测研究,可充分发挥数据间的关联信息,提升预测精度。为此,本文以中国平安（601318.SH）为研究对象,通过变量设计融合其历史交易信息、基本面特征、技术特征以及情感特征这四种数据源,在原有43个预测变量的基础上生成了15个特征向量,以此为基础开展股票价格的预测研究。为了规避高维数据带来的维度灾难风险,本文首先运用主成分分析法（Principal Components Analysis,PCA）对输入数据进行降维,以消除数据冗余,提高模型深度学习效率;其次引入自适应噪声完备集合经验模态分解方法（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）对前收盘价价格序列进行分解,并利用由粗到细的均值重构算法生成不同尺度的新特征,以充分挖掘价格序列中的隐含信息,缓解预测常存的滞后问题。然后,将主成分得分与重构后的新特征融合,初步构建了股票价格预测长短期记忆神经网络模型（Long Short-Term Memory,LSTM）,理论上为模型泛化能力增强和预测效果提升奠定基础。LSTM深度学习算法对于长期时间序列的处理能力较强,但在应用LSTM训练学习之前,需要对诸如隐藏层神经元数量、dropout比率、时间步长等相关控制参数进行赋值。为了实现LSTM网络模型的最佳性能,本文引入粒子群优化算法（Particle Swarm Optimization,PSO）,实现对LSTM控制参数的智能寻优,以确保输入特征与网络单元结构相匹配,进一步完善了融合多源数据的PCP-LSTM股票价格预测模型。最后,本文设置了两组对照实验以验证所构建的预测模型是否具有有效性:一是模型对照组,即与其他深度学习模型的预测效果进行对比;二是数据源对照组,即比较PCP-LSTM模型在不同数据集上的预测表现。此外,本文还通过两种方式检验了PCP-LSTM模型的稳健性:一是通过LSTM算法滑动扩充出测试集以外的新数据集并利用PCP-LSTM模型进行样本外预测;二是基于相同方法的变量设计并利用PCP-LSTM模型对具有代表性的上证综合指数进行预测。实验结果表明,本文所构建的PCP-LSTM股票价格预测模型具有最佳预测性能和一定的泛化能力和稳健性,并且基于多源数据融合具有实际意义。