金融时间序列具有非线性、非平稳、多尺度、长记忆性的特征,这些特征一定程度上影响了金融时间序列预测的精度。诸多学者分别从其不同特征出发,给出提高预测准确性的解决方法。针对非线性、非平稳特征,神经网络逐渐成为主流的预测模型;针对多尺度特征,多尺度分解方法能够解决数据尺度混叠问题;针对长记忆性特征,具备特殊记忆结构的LSTM网络提供了一种新的方法支持。基于上述研究,本文以提高预测模型准确性为目的,提出了一种基于多尺度分解和LSTM网络的金融时间序列预测模型。本文包括以下四方面的内容:第一,引入多尺度分解的方法解决非平稳、多尺度的问题,介绍了经验模态分解(Empirical Mode Decomposition,简称EMD)和集合经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)的原理和流程,并分析EEMD在金融时序分析中的优势;第二,引入LSTM神经网络的方法解决非线性、长记忆性的问题,分析循环神经网络(Recurrent Neural Network,简称RNN)的模型原理和存在问题,详细介绍了基于RNN改进的长短时记忆网络(Long-Short Term Memory,简称LSTM)的模型结构和参数设计;第三,介绍基于“分解-重构-集成”思想构建的EEMDLSTM组合预测模型,对模型的数据处理、损失函数选择、网络训练优化方法、模型程序编制过程作了分析;第四,采用EEMD-LSTM模型首先对沪深300指数实证分析,分析了序列的多尺度特征,并评估预测模型的有效性,再结合模型在人民币汇率和上证国债指数两个数据集中的表现评估其在金融时间序列预测问题中的有效性。本文的主要结论有:第一,EEMD分解算法是一种非常适用于金融时间序列的高效率自适应分解算法,能够分解得到序列在不同尺度上的波动特征,从而实现模型预测准确性的提高;第二,LSTM神经网络的长短时记忆结构使得模型在具有记忆性的金融时间序列预测问题上具有更高的准确性;第三,金融时间序列经过尺度分解后得到的高频序列、低频序列和趋势序列具有一定的经济意义,分别代表了金融市场上的正常波动和不规则事件发生引发的短期影响、重大事件引发的长期影响和长期发展趋势;第四,EEMD-LSTM组合模型充分结合了EEMD分解算法和LSTM深度网络在时间序列预测上的优势,能够有效提高金融时间序列预测的准确性。