股价形态是影响股价变动的重要因素,许多投资者会观察股价图像形态进行交易操作,比如市场中形成的如“双峰顶天,跌在眼前”等现象就是投资者通过观察股价图像形态进行交易操作,进而对股价变动产生影响。但股价形态的研究存在诸多困难,一方面诸多如“双峰型”、“三峰型”、“三角型”等形态特征难以通过设计指标的方式来计算衡量,单纯使用股价等时间序列数据进行研究又无法体现股价形态对股价变动的影响;另一方面股价形态千变万化,且不同时段投资者对股价形态的认知不同也使得在每一时点都可能出现新的形态变量,从而给“贴标签”式的股价形态研究带来极大困难。从以往研究情况来看,大多研究者研究技术面股价预测方法时多从指标角度出发,研究股价形态对股价预测影响的文献则较少,但结合市场实际来看许多国内投资者较少通过建立技术模型的方式来进行股票交易,而是通过观察股价图像的形态特征进而做出交易行为。排除股价形态因素的股价预测研究与现实情况有一定的脱节。本文的研究目的主要有二:一为提出一种能以无监督模式识别处理股价形态数据的方法;二为比较研究股价形态能否对股价预测性能的提升产生边际贡献。考虑到CNN神经网络中的卷积核运算以及池化运算在识别提取图像形态特征方面的极大优势,以及余弦距离在衡量图像相似度方面相较欧式距离的更佳表现,本文提出一种结合CAE（CNN自编码器,CNN Autoencoder）、基于余弦距离的K-Means算法及LSTM（长短期记忆,Long Short-Term Memory）神经网络的模型,使用CAE提取股价图像特征数据并通过余弦K-Means算法进行无监督归类,然后结合技术数据对短期股价进行预测,并将结果与仅使用原始股价数据、原始股价数据+CAE降维数据、原始股价数据+随机数据、原始股价数据+CAE+PCA降维数据作为有效输入的LSTM模型或岭回归模型做出对比,以说明引入图像特征数据对股价预测可能存在的边际贡献。本文使用上证指数的自2000年1月4日至2021年12月30日的5330条开盘、收盘、最高、最低价作为原始数据进行实证分析,结果表明:1)“两头宽,中间窄”架构的CAE深度自编码器结合PCA算法能有效在保留原始股价图像信息的前提下对股价图像进行压缩;2)基于余弦距离的Kmeans聚类算法能很好的识别CAE编码后的非线性股价形态特征,并得到符合人类视觉的股价形态归类结果;3)股价形态数据能够对LSTM模型预测股价产生正向边际贡献,但贡献程度不足以抵消高维数据输入带来的模型复杂程度上升,原因可能在于市场中股价变动相较股价形态变动频率更高,高频的股价变动掩盖了投资者基于低频股价形态变动进行的交易行为所产生影响。本文的最大创新点在于提出一种结合CAE卷积自编码器和余弦距离聚类算法的无监督式股价形态归类方法,归类后的股价形态数据具备较强的可解释性,可直接用于研究或金融实务,同时无监督的模型架构也能避免因市场迅速变化带来的数据更新困难问题。本文的最大不足在于引入股价形态数据的LSTM模型在测试集上预测性能提升较小,主要因为本文模型预测股价相对高频（按交易日）,但股价形态的转换相对低频,高频的股价变动掩盖了投资者基于低频股价形态转换进行的交易行为所带来的影响。因此,下一步研究的主要方向为如何对股价形态转换频率进行处理,并探究股价形态对股价变动的影响区间。