党建武，从筱卿

江西财经大学 软件与物联网工程学院，南昌330013

预测股指的方法主要包括基本面分析法、计量经济学法[1-2]、机器学习法[3-4]等。其中，机器学习法之一的神经网络算法凭借其良好的非线性处理能力得到了广泛应用。黄宏运等人[5]利用遗传算法优化反向传播（Back Propagation，BP）神经网络的初始权阈值，解决了BP神经网络在股指预测过程中容易陷入局部最小值、收敛速度慢等问题。潘和平等人[6]提出了一种由经验模态分解、主成分分析和前馈神经网络三部分组成的预测模型，该模型能有效提高股指预测的准确率。随着深度学习的发展，众多学者尝试将其应用到股指预测研究中。Luca等人[7]提出了一种小波和CNN相结合的模型，其对标准普尔500（Standard & Poor’s 500）指数的预测性能优于基本的神经网络方法。Li等人[8]提出了一种融合内在可塑性和深度信念网络的新方法，并对S&P 500指数进行了预测，该方法具有较好的预测性能。Qin等人[9]提出了一种基于双阶段注意力的循环神经网络（Recurrent Neural Network，RNN）模型，该模型能够自适应地提取股指相关输入特征进行预测。Fischer等人[10]将LSTM神经网络应用于S&P 500指数的预测，LSTM预测性能优于随机森林、逻辑回归分类器和深度神经网络。陈佳等人[11]提出了基于特征选取和LSTM神经网络的模型，该方法提升了股指预测的速度和准确率。

针对股指数据大规模、非线性等特点，本文研究了一种结合CNN和GRU神经网络的混合模型对股指进行单步预测。一方面，利用CNN强大的特征提取能力，挖掘股指数据之间的内在联系，从而降低原始数据的规模和复杂度；……