因为金融时间序列数据不具有明显的规律,所以采用传统的时间序列分析方法对股票价格作出估计十分困难。而近年来,对深度学习方法的研究已经占据了主导地位。循环神经网络,尤其是长短期记忆网络,在股票预测问题上取得了超越传统时间序列分析方法和机器学习模型的效果。不过,循环神经网络还是面临着固有的不可并行化的问题。2017年,由谷歌团队提出的一种新型序列转录模型——Transformer模型,在机器翻译任务上一举打败了传统的循环神经网络,并在各种实际应用场合发展出了更多的衍生模式。本文对Transformer模型的结构进行了细致剖析,并详细解释了在Transformer模型中第一次出现的多头自注意力机制,该机制能够以极小的成本获取到序列内部的长期依赖关系,还能通过并行化计算加速训练过程。本文致力于将Transformer模型应用于股票价格预测问题上,探究该模型对于金融时间序列的实用价值。在此基础上,本文细致地阐述了小波分析中小波阈值去噪技术的原理、步骤和对参数的选择,研究使用小波阈值去噪技术对金融时间序列数据进行降噪后,Transformer模型的预测性能是否得到了提升。本文的实验目的是预测股票未来1天、5天和10天的收盘价。实验数据选取的是平安银行、美的集团和顺丰控股三只股票在2020年1月1日至2021年12月31日的股票日线数据,通过标准化、滑动窗口法和小波阈值去噪技术对数据进行预处理。实验选取了三个模型,包括堆叠LSTM模型、Transformer模型和基于小波阈值去噪的Transformer模型。实验结果显示,在对三只股票的短期、中期和长期预测上,基于小波阈值去噪的Transformer模型都取得了最好的效果,大幅超越了Transformer模型和堆叠LSTM模型。结果说明,Transformer模型对于股票价格预测问题有很好的适用性,并且小波阈值去噪技术能够有效提升股票预测的精度。