外汇市场已逐步发展为全球最大的金融市场,面对外汇市场这个复杂的非线性动力系统,传统的基本分析和技术分析方法都已力不从心。深度学习技术对复杂的非线性系统有较好拟合效果,在汇率预测方面有着巨大的潜力,因此许多学者开始应用深度学习技术分析预测外汇时间序列数据,但深度学习技术也存在计算量大,训练时间长,容易过拟合,易出现局部最优解等问题,不同深度学习算法之间也难以有效结合,因此对于深度学习技术在外汇时间序列分析中的应用还有很多问题有待于探究和完善。本文同时使用卷积神经网络(Convolutional Neural Network,CNN)和长短期记忆网络(Long Short-Term Memory,LSTM)两种深度学习算法分析预测外汇时间序列数据,提出了 C-LSTM(CNN-LSTM)外汇时间序列短期预测方法。对影响预测精度的3类主要因素(训练样本、网络结构、训练方法)进行系统的研究,选取最优的输入特征、网络结构和训练方法。针对数据噪声大的问题,基于PCA(Principal Component Analysis,主成分分析)构建了特征优化算法,对输入特征进行降维除噪,然后运用Dropout和L2正则化方法避免过拟合问题的出现,进一步提高了预测方法的预测精度。同时为了满足外汇市场的高时效性需求,本文基于GPU(Graphics Processing Unit)高性能计算技术构建了并行优化算法,加快了网络模型的训练速度,提高了预测方法在实际应用场景中的可用性。通过在欧元兑美元(EURUSD)、美元兑加元(USDCAD)等9种货币上进行实验研究,实验数据表明:与 BP(Back Propagation)、CNN、RNN(Recurrent Neural Network,循环神经网络)等神经网络算法相比,本文构建的C-LSTM外汇时间序列短期预测方法在9种外汇货币对上的预测效果最优,充分验证了 C-LSTM外汇时间序列短期预测方法在外汇市场分析预测中的有效性和适用性。本文对卷积深度神经网络和循环深度神经网络等深度学习算法的特征选择、网络构建、超参数调优等方面具有一定的参考意义,同时为深度学习技术在外汇市场中的应用研究提供一定的理论和实践价值。