股价预测是金融领域里最具挑战性的议题之一。但现已有多种方法试图去预测股价。深度学习算法的快速发展已将多种方法引入去解决现实问题，股价预测为其中一种类型。一般来说，股价预测的方法包括基本分析，技术分析，和机器学习框架。与传统方法相比，机器学习框架的预测拥有简易，独立的优势，并且它还能够处理股市里大量的数据。因此，研究利用机器学习框架进行股价预测的议题有着重要的理论和实践意义。
　　机器学习框架的股价预测结果或许做不到百分之百正确，但它能洞察未来的股价趋势。本文已提出一种混合深度学习架构WAE-BLSTM。通过集成小波转换，堆叠自编码器和双向长短期记忆来对雅虎财经提供的过去七年的历史数据进行股价预测。我们借助小波变化技术来减少市场数据的干扰；堆叠自动编码器可过滤掉预处理数据里不重要的信息。最后，结合递归神经网络和循环神经网络来预测未来股价。我们以时间序列评估的标准去分析不同模型的性能，进而来评估我们的混合算法。实验结果表明，WAE-BLSTM架构在预测平均精度方面的表现优于其他测试算法。