随着人工智能技术和理论的发展,金融领域开始发生巨大的变革,交易量巨大,历史数据精确完备等特点使得金融领域进一步朝着程序化、系统化和智能化的方向发展。VWAP(Volume Weighted Average Price)作为金融领域比较流行的一种拆单算法,能够拆分大额委托单,降低大单对市场的冲击,增加大单的隐秘性。但随着交易者目标的多元化以及交易市场的不断变革,传统的VWAP算法执行效果不再稳定,无法满足大众需求,需要寻求新的解决办法。考虑到近年来深度神经网络算法在众多领域的预测效果十分显著,尤其是长短记忆神经网络(LSTM)可谓是擅长处理时间序列的首选神经网络,故本文引入LSTM神经网络算法来重新构造股票拆单模型。1)本文设计了一种短期高频交易的股票拆单策略,并根据拆单策略中预测需求的不同,基于LSTM神经网络分别构建了对应的回归预测模型和分类预测模型,摒弃了传统VWAP算法的执行过程及其存在的缺陷。采用归一化误差和精准度这两个性能评价指标对两个模型的预测效果进行分析和验证,实验表明神经网络回归模型的执行效果远远超过神经网络分类预测模型。2)通过阅读大量相关文献,选取了包含涨跌幅、波动率、盘口压力等特征因子在内的一套特征集,并结合拆单策略将特征集中的每个特征因子的计算方法作了新的定义和说明。通过对不同特征因子组合下的模型执行效果进行对比分析,观察不同特征因子对股票预测的影响程度以及何种组合下预测性能最优。3)本文采用训练效率较高的随机梯度下降法训练LSTM神经网络模型,通过设置不同的训练参数如隐层神经元个数、学习率、输入个数、训练次数等来观察模型的训练效果。通过对参数进行调优,最终找到了一组性能较优的训练参数,使模型能够较好地避免欠拟合和过拟合,表现出良好的预测效果。优良的预测效果证实了 LSTM神经网络在算法交易中的适用性,也为神经网络算法在金融领域的发展奠定了坚实的基础。