股票从诞生之日起,就天然具有高风险高收益率的特征,因为其较高的收益率而受到了很多投资者的追捧。为了追求高收益,投资者及相关研究者一直尝试各种方法和手段来进行股价预测。在股票理论研究的早期,多数金融领域的专家采用基本面分析研究股票价格理论。但是当统计学理论蓬勃发展,计算机水平能实现的统计学理论越来越多时,学者们发现对股价数据进行建模可以很好地处理股价预测的问题。由于统计学理论相对简单并且预测的结果比较令人满意,该方法在股价预测领域迅速得到推广。后来随着深度学习的发展,产生了循环神经网络（RNN）、长短期记忆神经网络（LSTM）等理论,学者发现其不但可以应用于非线性数据的研究分析,而且可以保留历史数据中有价值的信息,这解决了股价预测的一个重要问题。在量化金融领域,一个重要的研究课题是如何对股票价格进行准确地预测。长短期记忆神经网络（LSTM）的出现给股票价格预测这种复杂问题提供了一个新的思路。前人研究表明,只使用该方法可能会产生预测不平衡、陷入局部最优解等现象。由于以上问题的存在,本文在对LSTM模型进行超参数优化时采用遗传算法（GA）,试图找到最优时间窗宽和隐藏层神经元数目。本文第一章讲述了研究背景研究意义和遗传算法和神经网络的研究现状。第二章讲述了相关的理论基础,包括股票预测理论、遗传算法和神经网络的原理。第三章讲述了数据处理的一些方法和评估模型处理的指标,本文使用的数据为2000年1月4日至2021年12月31日上证综指、深圳综指、深圳成指和2005年4月8日至2021年12月31日的沪深300指数。预测指标选取了平均绝对百分比误差MAPE与可决系数R~2。第四章讲述了基于遗传算法的长短期记忆神经网络（LSTM）的股票价格指数预测模型。本章采用遗传算法对长短期记忆神经网络中的超参数进行优化,找到了最佳时间窗口和最佳隐藏层单元数。将优化好的参数代入长短期记忆神经网络模型中,得到了经过遗传算法优化的LSTM模型比LSTM模型预测效果更精准的结论。并且还使用了RNN模型对股价进行预测,表明LSTM模型预测效果比RNN效果更佳,说明在预测方面,LSTM由于遗忘门、输入门、输出门的设置具有了长期记忆功能,在预测精度上表现比RNN模型更好。第五章得出结论和展望,实证结果表明与RNN模型相比,LSTM模型的预测效果更好,并且经过遗传算法优化的LSTM模型在预测效果上要更优于LSTM模型。遗传算法以适应度值最大化为目标,不断对种群进行迭代,以选择出最优的时间窗宽和最优隐藏层神经单元,实证结果表明遗传算法对提高LSTM模型的预测精度是有效果的。