近年来,人工智能技术先后被成功应用到语音识别、图像识别、围棋对抗等许多领域中,如何将在其他领域取得成功的人工智能技术应用到投资领域,成为许多投资者的新课题。一方面,在投资领域中,选择出良好的目标股票,是投资活动最终取得成功的关键之一。选出具有较高质量的股票并构建股票池,对投资者减少选股工作量,集中精力调研个股,提高投资收益是非常重要的。而对计算机的强大计算能力的合理使用,可以大幅节省投资者在股票投资选择中消耗的时间和精力。另一方面,在人工智能技术中,BP神经网络是一种应用最为广泛的神经网络技术,但其无法兼顾数据的截面特征和序列特征的缺陷,使得其在股票市场中的实际应用能力受到制约。而LSTM神经网络作为成功应用到语音识别领域的一种机器学习技术,具备了处理序列特征数据的能力,研究其在股票投资选择应用中的适用性是具有相当实践意义的。在算法的应用上,本文首先构建具有相同结构,相同训练次数、学习率等超参数条件下的BP神经网络和LSTM神经网络,并在其神经网络的共有部分使用相同的激活函数;然后根据股票的夏普比率制作选股信号,并将相同的5年夏普比率数据输入BP神经网络和LSTM神经网络中建立网络;再将两种神经网络应用到样本外数据中,获得信号预测值,即股票未来具有较好表现的概率;接着通过比较分析两种神经网络的样本外测试效果,发现具备了长期记忆功能的LSTM神经网络的实际选股效果要优于传统的BP神经网络,且其较高的选股准确率使它具备了较强的实际应用能力。在此基础上,本文根据股票投资选择的实际过程,从对股票市场的时间序列特征适用性角度、股票市场的非线性特征适用性角度,在股票市场投资标的数量众多下的选股能力角度以及不同投资者的适用性角度出发,分析了LSTM在股票投资选择中的适用能力。经过分析认为,良好的数据使用能力和样本外选股准确率使得LSTM神经网络在股票投资选择中更具备适用性。最后,总结以上对LSTM神经网络的研究,本文对LSTM神经网络在股票投资选择中的应用,给出了建议。