今天的股票市场早已日趋完善,上市也已经成为公司发展的必经之路。上市公司能够在股票市场进行融资,并且投资机构和散户也期望对有潜力的股票进行购买,并获得收益。诚然,股票投资是高风险高收益的行业,因此理性投资就变得尤为重要。随着AI(人工智能)技术的研究成果问世,使得将AI相关研究带入股票预测当中成为可能。本文结合实际股票交易行情,在相关数据集上进行了丰富的实验。针对股票走势预测问题,本文首先进行了股票日行情数据的采集,对采集的中国A股市场的数据进行了预处理,并提取出股票技术指标相关性系数特征。再对股票数据集进行特征工程处理后,搭建了相关算法模型,并做了详细的对比实验。本文主要进行了以下研究:首先,本文介绍了股票市场基础概念和国内外的研究状况,并根据实际实验需求引入了三种不同类型的预测模型,分别是:传统金融预测模型,机器学习以及深度学习算法模型。将多种机器学习和深度学习实验结果进行对比,能够解决普通预测方法所面临的诸多挑战,同时也能在一定程度上规避人为因素所带来的风险。我们对所有模型的基础概念,以及利用模型进行实验时的参数,进行了详尽的描述。第一步,使用传统金融算法预判走势,包括:移动平均模型和相对强弱指标模型;之后利用机器学习算法预判走势,包括:逻辑回归(LR)、支持向量机(SVM)、决策树(DT)、K邻近(KNN);最后使用CNN、LSTM和ELSTM深度学习算法框架。在对LSTM算进行研究之后,本文提出了使用相关性张量来加强实验结果的预测准确率。通过皮尔森相关系数,计算出各类技术指标和收盘价之间的联系,进而生成相关性系数张量添加进模型,得到CLSTM算法。该模型在准确率(Accuracy)等评价指标上高于其他各种模型。实验部分,先由Tushare接口进行数据的采集,然后进行数据清洗和预处理。由于股票市场变化因子有很多,我们针对股票交易数据进行了相关特征工程。由于特征较多,所以需要进行合理有效的选择以实现数据集特征维度的下降。再利用滑动窗口的方法,得到相关数据集,进而带入各个具体算法进行实验。最后,对所有模型(共10种)的实验结果一一做了详细对比对比与分析。