股票市场作为金融市场的重要组成部分,其特点是高收益性与高风险性并存。如何预测股价的变化,掌握股价变动规律对于投资者和监管者都具有重要的理论和现实意义。随着深度神经网络的蓬勃发展,在股价预测方面也出现了基于深度神经网络的预测模型,并有一定的预测效果。然而,由于这些模型的输入数据量较小,不能充分发挥深度学习在大数据方面的优势;同时,一些新的深度学习方法,如BatchNorm、ReLU激活函数、Dropout正则化方法等在股价预测方面也少有应用,这导致模型准确率依然不够理想。鉴于此,本研究在系统阐述深度神经网络结构、训练过程、优化算法、正则化算法等内容的基础上,充分利用ReLU激活函数、cudnn显卡加速等新的深度学习方法,构建了基于全连接神经网络和卷积神经网络的股价预测模型;同时建立了含有均方误差、预测涨跌的准确率、涨跌幅预测区间准确率三个指标的模型有效性评价体系。在对两个预测模型的实证分析中,分别利用12万多条及3万多条交易数据对上证指数、深证成指以及创业板指数进行了 1分钟与5分钟股指预测。通过数据预处理、网络超参数调试、网络训练及评估等过程,得到了上述两种模型对三种股指1分钟与5分钟数据的预测结果。主要结果如下:(1)建立的两种预测模型均取得了较高的预测精度:预测涨跌的准确率高于基准;涨跌幅预测区间准确率均可达75%以上,最高可达88%。(2)在显卡加速环境下,两种模型的预测时间都在微秒级,均可以应用于实时预测。(3)准确率方面,基于全连接神经网络的股指预测模型的结果要优于基于卷积神经网络的股指预测结果;效率方面,基于全连接神经网络的股指预测模型要慢于基于卷积神经网络的股指预测模型。上述结果表明,两种预测模型对股指的预测取得了较高的准确率,在效率方面均可达到实时性的要求,可以为量化投资策略提供支撑,具有现实指导意义。