金融交易领域存在着大量的历史数据,这些数据资源为量化交易提供了很好的数据基础,并且金融外汇市场是一个复杂的非线性动力系统,利用传统的机器学习算法对金融数据进行挖掘,其在有限样本和计算单元情况下对复杂函数的表示能力有限,必然存在着诸多的限制和不足,而深度学习能够把原始空间中数据的特性表示逐层转化到新的特性空间中,具有较高的自学习能力、稳定性能和抽象模拟能力,它更适合去解决金融市场这类繁琐的非线性难题。所以,本文通过利用深度学习模型来达到预测外汇价格以及涨跌趋势的目的。在预测价格的回归模型中,将已有的外汇价格和技术指标作为模型的输入数据,将价格作为模型的输出数据。通过改变超参数,研究它们对模型精度影响;然后选取最优超参数,确定LSTM神经网络模型,使模型预测效果最优;最后利用LSTM模型和传统RNN模型预测外汇价格,检验两个模型的预测效果。实验结果表明,LSTM神经网络模型和传统RNN神经网络模型对外汇价格都具有一定的预测效果,且LSTM模型总是比RNN模型预测误差更小,预测效果更好。因此在利用深度神经网络对价格时间序列数据建立回归模型时,可以优先选择LSTM神经网络。在预测价格涨跌走势的分类模型中,把已有的外汇基本历史价格数据作为模型的输入,把未来某一天的价格走势(涨、震荡、跌)作为模型的输出。通过实验选取最优超参数,确定LSTM神经网络模型;然后利用此模型对未来第一天的价格涨跌走势进行预测,记录模型的准确率。最后在预测未来第一天涨跌走势的基础上,将模型扩大到预测未来第二天至第五天的价格走势中,比较模型的准确率。实验表明,在对未来价格涨跌走势进行预测的分类模型中,LSTM模型预测的准确率在短期内较高,且呈现上升趋势,而在后期会逐渐下降。