1. CNN-LSTM模型。CNN具有注意最明显的特征，因此在特征工程中得到了广泛的应用。LSTM有，按时间顺序扩张的特性，广泛应用于时间序列中。
根据CNN和LSTM股票预测模型的特点
建立了基于CNN的LSTM模型-e模型结构
示意图如图1所示，主要结构为CNN和LSTM，包括输入层、一维卷积层、池层、LSTM隐藏层和全隐层,连接层。
2. CNN。CNN是Lecun等人提出的一种网络模型。
1998年。CNN是一种前馈神经网络，
在图像处理和图像处理方面具有良好的性能自然语言处理。
可有效应用时间序列的预测-e.当地感知和CNN的权值共享可以大大减少网络的数量
从而提高了模型学习的效率. CNN主要由两部分组成：卷积层和池层。每个卷积层包含一个
复数卷积核及其计算公式
如式（1）所示。在卷积运算之后复杂度在卷积层，提取数据的特征，
但是提取出来的特征维数很高，所以
为了解决这一问题，降低培训成本
在网络中，在卷积后加入一个池层
图层以减少特征尺寸：
3. LSTM。1997年。LSTM是一种网络模型,LSTM是一种由Schmidhuber等人，
设计用于解决梯度的长期问题
RNN中的爆炸和梯度消失。
广泛应用于语音识别、情感分析等领域，
因为它有自己的记忆，可以相对准确的预测。近年来，它也被应用于股票市场预测领域标准中只有一个重复模块RNN，内部结构简单。然而，四个LSTM模块与
标准RNN模块，并且它们以特殊的方式运行 LSTM内存单元由
三部分：遗忘门，输入门，
