股票价格,是指股票在证券市场上买卖时的价格。如何较为准确的获悉股票未来的价格成为了众多投资者和机构关心的话题。然而股票市场是一个受多变量影响的复杂混沌体系,具有非线性、非平稳和长记忆性等特性。最初预测股票价格的传统模型是一些简单的具有多个前提局限条件的线性模型,对于股票市场中深层规律的挖掘浮于表面,导致股价的预测效果一直达不到期望表现。随着计算机软硬件性能的提高以及数据量级的提升,使得机器学习中的神经网络和深度学习技术得到了很大的发展,尤其是在处理生活中的时序问题时该类模型的自动学习能力和非线性下的无线逼近能力让预测效果得到了大大的提升。因此许多国内外的学者也都开始尝试利用各类神经网络模型进行股价的预测,其中,循环神经网络中的各类模型凭借长记忆性、及时更新历史信息等独特的优势,让股票价格的预测效果表现十分突出,比如LSTM、GRU等循环神经网络模型。近期,研究表明卷积序列神经网络模型在处理序列问题上可以实现超过循环神经网络的结果,以此为基础本文构建了一个股票价格预测创新性模型——GA＿TCN模型,利用上证和深证中两只具有代表性的股票——平安银行、上海机场以及两只股指的历史数据来预测股票的收盘价,以此来证明该模型的优越性。主要的工作和最终的成果如下:（1）选取了三种类型的特征作为影响股票价格的因素,包括基础指标、技术指标和情绪指标,并且介绍了各类指标的概念和计算方法、数据的预处理工作和样本数据集的获取方式。实验分析了各类指标特征和三类指标特征对于股票价格预测的有效程度,此外还分析了滑动时间窗口的大小对于股价预测的效果。结果表明这三类指标特征在股价预测中有良好的表现;当滑动时间窗口的值为20时股价预测效果是最稳定的。（2）将TCN（时间卷积网络）模型与循环神经网络（RNN）、卷积神经网络（CNN）、长短期记忆网络（LSTM）和门控循环单元（GRU）模型在股价预测的有效程度上进行了比较,实验结果表明RNN模型在股票时序预测问题上是这几个模型表现中最差的;其次是CNN,它在一维预测问题上无法发挥其优势;此外,TCN模型在股票价格预测问题上是优于实验中其他几个深度神经网络模型的。（3）在TCN模型架构中涉及较多参数,合适的参数组合在一定程度上可以提高TCN模型的训练精度,从而进一步提高股价的预测效果。本文基于遗传算法（GA）对全局超参数调优,结果表明优化后的TCN模型比原始TCN模型在股价预测的效果上表现要好。