金融市场瞬息万变,受金融市场、政治因素等多方面的影响,使得金融数据也具有极大的不确定性。然而,金融数据的预测分析、预测建模却具有重要意义,从宏观的层面上讲,有效预测金融数据的变化和走势有利于国家制定国家发展战略和经济发展策略;从中观的层面上讲,能够洞悉金融数据的变化有利于企业规划经营战略,取得市场竞争优势;从微观的层面上讲,个体投资者为了获得利益,在进行投资决策前会关注历史的数据变化和行业或公司的发展。金融数据的变化时时刻刻被大众关注,金融数据预测问题仍是亟需探索的并与个体、国家息息相关的问题。多年来,大量的学者关注着量化投资问题,其伴随而来的是金融数据预测模型的不断提出和改进。近几年来,神经网络模型被广泛应用于金融市场变化预测方面,而传统的时间序列模型也在这方面历久不衰,依旧被广泛的应用。本文创新的提出用传统的时间序列模型改进深度学习模型的方案。本文着眼于基于LSTM神经网络的金融数据预测模型的改进问题,以平安银行的股价数据为实验对象,应用R语言、python工具进行实验模拟。通过分析金融数据的特性、LSTM的网络结构,得到金融数据存在高噪声非线性、LSTM参数选取受主观意识影响的问题。在研究过往学者提出的改进模型的基础上,提出基于ARIMA模型和PSO优化算法的ARIMA-PSO-LSTM模型。经过平稳性检验、模型定阶、残差检验、模型选择等步骤,在原数据的基础上建立ARIMA模型,并输出其关于数据集的残差,将其作为LSTM的输入,同时创新的引入PSO优化算法确定数据分割和LSTM的参数,完成PSO-LSTM组合模型的建立,对平安银行股价进行拟合。最后的实验评估结果表明,建立的ARIMA-PSO-LSTM模型相比PSO-LSTM模型、LSTM模型预测误差更小、拟合效果相对更优,模型的改进有效。