随着电子交易系统的发展，全球主要证券交易所普遍采用订单驱动的交易机制，每个交易日会产生数十亿的高频限价订单簿记录。限价订单簿中间价格的预测一直是高频交易领域的研究热点，研究成果对于做市商、交易者和监管者有重要意义和实际价值。该领域的研究主要以金融学的研究思想为主，然而考虑到如此庞大的数据量，很自然地需要采用数据驱动的方法对这一问题进行研究。当前的研究模型普遍依赖于人工设计的输入特征，输入特征的质量直接决定了模型的表现。考虑到交易市场瞬息万变，即使当前有效的特征在未来也可能失效。
　　针对上述问题，本文提出了一种结合CNN网络和双向LSTM网络的深度学习模型。本文模型的创新之处在于:(1)在CNN网络的设计中，将金融规律与卷积层的设计相结合，并且去除了普遍采用的池化层以保留特征间的空间布局关系;(2)将全连接层替换为双向LSTM层，在降低模型参数规模的同时，引入了特征序列的前后关联。模型中设计的CNN网络能自动化提取原始数据中的特征，并且借助模型的训练过程学习到有效的参数。之后利用双向LSTM网络捕捉特征在时间序列上的关联，进而对限价订单簿中间价格做出预测。本文将模型在FI-2010数据集上进行测试，模型的表现显著优于其他方法。考虑到FI-2010数据集只有10个连续交易日的数据，本文自行搜集并处理了一个长达一年的中国A股市场代表性数据集，国内尚无类似的公开数据集，因而该数据集对于国内该领域的研究有参考价值。为进一步测试模型的稳健性，本文在中国A股市场数据上进一步检验模型。结果显示，模型在中国A股市场也有良好的预测表现，说明本文提出的模型是稳健的。更进一步地，本文将训练好的模型迁移应用于样本外股票的预测，良好的预测结果表明本文设计的CNN特征提取网络能从限价订单簿数据中提取出有效的通用特征。