股票市场是资本市场的重要组成部分,也是量化投资的重要研究方向。随着我国经济的不断腾飞,人们的投资理念在不断提高,对于股票趋势预测的研究课题越来越受到广大学者的重视。从初期通过简单的线性模型,例如:ARIMA模型、GARCH模型等时间序列模型对股票数据进行预测,到通过非线性模型,例如:SVM模型、RF模型、NBM模型等机器学习模型对股票数据进行研究,模型的复杂度和预测效果都在不断上升。最近几年,随着Alpha Go和Chat GPT等深度学习模型在人工智能领域的突破性发展和对人们社会生活的实质性改变,神经网络模型越来越受到广大学者的关注。神经网络逐渐应用于社会生活的各行各业,量化投资学者也开始尝试着将ANN人工神经网络、BP神经网络、RNN循环神经网络以及CNN卷积神经网络等模型应用于股票预测的研究中,并取得了不错的效果。基于上述研究背景,本文通过选取上证50指数作为研究对象,采用CNNLSTM模型对股票的涨跌进行预测。对于数据的选取,本文在通过Tushare、Bao Stock等python的API获取上证50指数的基本盘指标数据（open、high、low、close、volume等）的基础上,还通过Ta-Lib库和聚宽（Join Quant）平台引入了EMA、DEMA、MACD、ADX、OBV、CCI、RSI、ROC、ATR、Alpha002、Alpha003、Alpha006、Alpha009和Alpha070共14个新指标,并对数据进行缺失值和异常值处理、相关性分析、PCA降维、数据标准化和数据集划分等数据预处理工作。将预处理后的数据传入CNN-LSTM模型中,这里CNN模型尝试使用了二维（Conv2d）的Goog Le Net卷积神经网络,并将预测结果与一维CNN（Conv1d）模型、基本盘指标数据、ARIMA模型、SVM模型、RF模型、LSTM模型的预测结果进行比较,论证说明二维Goog Le Net-LSTM模型对于股票涨跌具有更为优秀的分类能力和预测效果。本文的实证分析结果表明:（1）使用二维（Conv2d）的Goog Le Net卷积神经网络的预测效果要优于一维CNN（Conv1d）模型;（2）通过增加更多因子可以使CNN-LSTM模型提取出更多数据特征,模型的预测效果也明显高于只包含基本盘指标的数据;（3）通过使用CNN-LSTM模型预测股票涨跌的效果要优于ARIMA模型、SVM模型、RF模型和LSTM模型。本文论证了使用二维Goog Le Net-LSTM模型能更有效的提升模型的准确率,对神经网络在股票研究领域有指导性意义。论证了通过引入更多因子和提升模型复杂度用以挖掘数据信息可以有效提升股票预测准确率,对于股票的预测和趋势性研究具有现实意义。