在经济繁荣发展的今天,人们的理财意识逐渐上升,许多用户将富余的资金投入到金融、教育、医疗等领域。虽然投资股票有可能快速获得巨额收益,但股票的价格波动会受到众多不确定因素的影响,这也使得股市的变化相当复杂,充满了难以预知的风险,如何才能有效的规避这些风险、避免投资失败是许多投资者门所关注的焦点。长期以来很多金融、数学领域的专业人士致力于股价波动的研究,利用图表分析、金融指数、归纳推理等方法对股市进行预测,取得了不错的成果。股票市场的不断发展,经典的统计分析方法预测效果和准确度都无法满足当前股票投资者的要求,如何利用历史股票数据在时间序列的基础上进行更准确的预测为投资者提供最优的配置策略是当前所要解决的问题。研究的内容包括以下几个方面。首先,研究前人所提出的股票预测方法、使用技术和基本理论,对BP、ANN等基本预测模型深入分析,并在理论上论证该模型不合理性、不稳定性,引入更适合处理时序数据常用的RNN、BRNN模型。分析BP、RNN各自的优缺点并进行细致的对比,然后以RNN为理论基础针对模型进行修改和优化,构造出以BRNN为核心多种优化算法为导向的预测模型。通过多组对比实验证明了该模型对股票预测的准确性比BP和RNN模型更高,该模型的各项误差平均降低了2.2%左右。其次本文考虑到时间序列和长期记忆等因素引入LSTM模型,从理论上分析了LSTM相较于其他时间序列模型的优势和不足并对模型继续改进构建出了BiLSTM模型。通过与其他算法进行分析对比指出了Adam算法的不足,提出了Adam改进算法并将改进算法应用于BiLSTM的预测模型,通过实验对比并结合相关技术指标验证了BiLSTM模型预测的合理性、准确性、可行性。