我国股市在数十年的发展中,股票数据呈现出爆炸式增长、复杂多样、噪声多等特点,利用单一的内部因素数据进行股市分析无法对股票数据进行充分利用从而满足实际需求。因此,本文利用神经网络对股市中多种形态的外部信息加以研究,主要工作内容如下。首先以神经网络的自适应、自学习能力以及鲁棒性为基础,向神经网络中开创性地加入随机扰动噪声层来应对股市中随机波动型外部信息的干扰。随机扰动噪声层与以往隐藏层噪声数据添加方式不同,是模拟股市风险波动编写了 一种新的神经网络隐藏层,使神经网络在训练模型的同时获取了抵抗随机扰动的能力,训练后的模型能够在应对股市随机波动的同时保持一定的准确性。随后利用文本外部信息构建了示例性的模型。在内部因素数据获取受限制的条件下,利用自然语言处理(NLP)方法,分别建立Word2vec算法与词向量-特征数据训练网络相结合的模型,以及基于文本预处理TF-IDF的词频统计模型。从非结构数据中提取股市有效特征,从而辅助对股市走势的分析和预测,为解决股市交易趋于高频情况下内部数据获取受限的问题提供了思路。本文针对性地应对股市中实际存在的外部信息和限制进行研究和实证,取得了与预期较为一致的结果,这表明深度学习不仅能作为算法对股票数据进行分析和预测,也能够为更深层次的股票市场研究创造更多可能性。