随着我国经济的不断发展与经济实力的提高,人们对于金融领域的关注度不断增强。其中,股票市场作为风险和投资双高的投资市场,对股市进行预测从而更好的进行选股和择时以获得最大收益也成为了诸多研究者密切关注的领域。而股票投资的风险较高也正是由于股票预测的不稳定性,其影响因素除股票自身的价值外,还包括经济因素、市场因素、政治因素等多方面。所以,对于股票的预测需要综合宏观经济变量与技术指标变量,这些变量之间并不存在明显的线性关系,这也为股票的预测带来了极大的困难。当前较为常用的股票预测方法包括个人投资使用的基本面分析法、技术面分析法以及专业投资机构利用统计学、人工智能等相关理论知识与基本面、技术面相结合进行的分析预测法。相比之下,人工智能领域的神经网络法对于非线性问题的处理具有独特优势,我们以此为基础完成了以下工作:第一,根据股票预测的时序性与特征非线性相关这两大特征提出了基于LSTM的股票指数预测模型。LSTM是RNN的改进模型,引入了时序与定向循环的概念,能够很好地解决输入数据前后之间相互关联的问题,且具备长时间记忆性。第二,提出两种基于特征参数选取与LSTM模型的股票指数预测方法,分别为聚类算法与主成分分析相结合的降维法、遗传算法进行特征组合法。以往的预测过程往往较为重视模型的构建,试图通过数据预处理、优化参数、结合多种网络结构等方法提升模型的预测精度,却忽略了股票影响因素这一重要方面,为此我们针对特征参数选取这一方面进行改进。本文在实证论证中,应用纳斯达克指数和标普500指数进行了实验,分析对比了应用LSTM模型相较于BP模型的优势所在。同时,应用两种基于特征参数选取与LSTM模型的股票指数预测方法进行实验,论证分析了进行特征参数选取后模型的精确度和速度均得到提升。