金融市场起着社会资源集中再分配的重要作用,在推动社会经济建设进程中贡献巨大。所谓“预则立,不预则废”,股票价格预测的相关研究,能够避免金融市场中的不利因素,从而使金融市场向着良好健康的方向发展。目前相关从业人员和研究学者已经开发出了很多方法,而且主流的方法是基于深度神经网络。然而,由于金融市场的复杂性和多变性,现阶段单一深度神经网络模型还无法覆盖金融市场影响因素的各个方面,模型在学习其中存在的规律时,还存在各种各样的问题。其次,基于深度神经网络的股价预测是一个计算机与金融的交叉领域。现有研究多是从算法层面探究改进策略,结合金融领域专业知识提升模型预测效果的研究还很欠缺。首先,针对单一神经网络模型无法学习数据所有特征的问题。采用模型-模型的组合方法,通过联合两个神经网络模型的均方根误差（Root Mean Square Error,RMSE）损失函数,结合长短期记忆网络（Long Short-Term Memory,LSTM）提取股票时序数据中依赖关系的优点,和卷积神经网络CNN（Convolutional Neural Networks）提取股票数据中隐藏特征的优点。最终根据在浦发银行、沪深300指数和上证综指三个数据集上的实验结果得出,复合神经网络模型在股价预测中的表现要优于单一神经网络模型,且联合RMSE损失LSTM-CNN模型的预测效果略好于经典LSTM-CNN复合模型。其次,针对当前股价预测研究中,过于侧重算法研究的问题。研究了各种标准化方式、股票数据的特征属性和同一板块各个股票之间的联动性对复合深度神经网络的影响程度。根据实验得出以下结论,数据集在剔除了一部分特征属性后,模型的预测效果有所提升;模型在经过最小最大值或者最大绝对值标准化后的数据集上的预测效果最好;在股票联动性较强的数据集上的预测效果好于单一股票数据集,而在股票联动性较弱的数据集上的预测效果则相反。最后,综合神经网络模型结构、数据标准化方式、股票特征属性和金融属性等影响因素,开发设计了一套基于复合深度神经网络的股票价格预测系统。