摘要
股票市场的预测一直是一个具有挑战性的问题，如国家政策、公司财报、行业表现、投资者情绪等因素都会对其产生影响，从而造成波动。然而，股票市场的高收益属性使得其一直受到人们的关注，其市值的过大波动甚至会成为社会热点。目前，越来越多的学者、机构、投资者加入股票趋势预测的研究中，力求通过金融市场本身的变化规律，预测股票市场的变化。 基于深度卷积神经网络模型（DeepConvolutionalNeuralNetwork,DCNN）的股票趋势预测研究是本课题的核心工作。本论文以纳斯达克2015-2020年的股票为研究对象，将采用股市图可视化——烛台图（CandlestickChart）方法处理的股票数据作为深度卷积网络的输入，并通过网格搜索法确定模型参数Epochs、Batch与Lr，进而构建卷积神经网络模型。同时，通过比较不同股票数据划分方法、不同信息丰富程度的烛台图、不同的时间标记间隔以及周线对模型准确度的影响，以期寻找到深度卷积神经网络在对此类型的股票走势进行预测的最佳组合。 基于当前研究基础，对现有模型的架构进行调整，并在相同条件下与VGG-16模型、VGG-19模型以及ResNet50模型进行了对比，确定最适合预测股票走势的深度学习模型。同时，对所有模型分别比较了不同信息丰富程度的烛台图，不同的时间标记间隔对模型准确度的影响，判断各种因素对不同模型预测精度的影响，最后利用最优模型检测周线图像对准确度的影响。 通过本研究的相关结论，可为相关研究人员进行股票趋势预测研究时如何选取模型训练参数、选取模型结构以及确定输入输出的具体形式提供参考。
NETL