1 引言由于具有噪声和波动性的特点，股票市场的预测通常被认为是时间序列预测中 最具挑战性的问题之一(Wang 等人，2012)。对于现代社会的经济和社会组织来说，如何准确地预测股票走势仍是一个悬而未决的问题。在过去的几十年里，机器学习模型，如人工神经 网络 (ANNs)(Guo 等 人 ， 2014) 和支持向量回归 (SVR)(Cherkassky，1997)被广泛用于预测金融时间序列，并获得较高的预测精度 (Refenes 等人(1994)，Yoon 等人(1993)，Prasaddas 和 Padhy(2012)，Lu 等人 (2009)，Huang 等人(2005)。然而，在文献中，机器学习和模式识别社区的最近 趋势认为应该将深度非线性拓扑应用于时间序列预测。作为对传统机器学习模型的 改进，新的深度学习模型可以通过提取相关信息的鲁棒性特征来成功地对复杂的现实世界数据建模(Hinton 和 Salakhutdinov ， 2006) ， 并实现比之前更好的性能 (Bengio 等人，2013)。考虑到金融时间序列的复杂性，将深度学习与金融市场预测
