本文将统计学中常用的LASSO（Least absolute shrinkage and selection operator）回归模型与深度学习中流行的神经网络模型相结合。利用LASSO回归模型对数据的多项特征进行筛选,并使用神经网络中的BP（Back Propagation）算法进行实际建模。以贵州茅台为例进行股票价格数据的拟合和预测,对影响股票价格的时间序列数据和截面数据组成的面板数据进行建模。结合实际分析多种因素对股票价格的影响方式,用LASSO回归对公司财务数据进行筛选,再利用筛选后的特征进行BP神经网络建模,建立基于LASSO和BP神经网络的模型。同时本文针对深度学习中常见的一些问题进行探究,如参数初始化、梯度消失和梯度爆炸等。并运用在处理时间序列数据方面更优的循环神经网络（Recurrent Neural Network,RNN）对神经网络模型结构进行改进,进行性能比较。结果表明无论是单独使用LASSO回归模型还是单独使用BP神经网络模型,其在测试集上的均方根误差都要高于基于LASSO和BP神经网络的模型。证明了基于LASSO和BP神经网络模型的在数据预测方面的优越性。将循环神经网络用于对模型结构的优化后,可以从一定程度上提高训练集的拟合精度目前对股票价格的预测研究有基于半强式有效市场假说或强式有效市场假说,这两种假说普遍认为对股票的技术分析和基本面分析都是无效的,股票价格无法准确预测,本文则基于无效市场假说对股票价格进行预测。本文为比较研究的案例库贡献了新的、有重要参考价值的案例。同时在原有研究成果的基础上做出了部分改进,将两种方法进行结合得出了相对更好的预测结果。本文中的计算基于Python语言中Tensorflow库和sklearn库及其他统计分析软件。