股票市场是一个动态的复杂非线性系统,一直以来其未来趋势被认为难以预测,但是精确把握股票市场未来的趋势,对于监管机构、投资机构以及个人都有重要的现实意义。随着数学统计方法的不断发展和完善,使用数学模型准确量化股市未来趋势是至今仍旧火热的研究课题。在研究推进过程中,涌现了许多线性模型和非线性模型的方法。其中,机器学习模型因其强大的表征非线性数据的能力而慢慢受到研究者的重视,在股市预测中也取得了不错的效果。结合现代数字金融的快速发展和数据量的扩张,使用机器学习模型来研究股市的高频数据成为全球金融市场研究的热点之一。高频数据相比低频数据而言拥有更高的时效性和精确性,在短期趋势预测中扮演重要的角色。基于上述背景,本文选取了A股中的强周期行业煤炭、钢铁（申万行业分类标准）所有的行业成分股作为研究对象,采用方法为深度学习中的卷积神经网络模型（CNN模型）和长短期记忆网络模型（LSTM模型）。以股票未来趋势预测中的影响因素为特征,来探索深度学习在股票高频数据领域的应用。CNN模型主要用来分类强周期股票不同时间段的交易模式,尽可能分辨强周期股票不同的交易时段和状态,以达到区分不同分布的目的;LSTM模型负责将同一类交易模式的数据进行股票价格涨跌的预测以及模型效果评判。同时,在训练过程中不断优化模型的参数配置,以找到使模型发挥最优效果的参数。在以上两种深度学习模型结合的整体框架下,本文分别从单一模型（线性模型,CNN模型,LSTM模型）和CNN+LSTM的组合模型四个视角进行实证分析,以未来1min的股票股价涨跌为预测目标,比较它们预测的精确程度。经过实证研究发现:CNN+LSTM的组合模型相比单一模型（线性模型,CNN模型,LSTM模型）的预测效果更好,准确性与鲁棒性是四个模型中最好的;体现了强周期股的确在不同时期存在不同的交易模式,将其分类后进行分开预测能获得更好的效果。该方法可以为以后的量化机构工作者研究相应策略提供一定的参考意义,同时也说明以经济理论出发,结合深度学习的优势会有更广阔的应用前景,数字金融的发展未来可期。