随着数据收集系统的完善,各方面的数据得以完整保留.在一定时间范围内的高频数据会呈现出函数特征,这类数据被称为函数型数据.目前,针对函数型数据的函数型数据分析方法已经被应用到了生物、气候等领域.股票指数的5分钟高频数据具有函数型数据特征也可被视作函数型数据.本文主要利用函数型数据模型对股票指数进行预测研究,利用函数型数据分析方法构建新疆板块的股票指数.本文首先回顾所用到的函数型数据模型及方法.本文所用到的函数型数据模型主要分为两类,分别是函数型部分线性回归模型（FPLRM）和函数型时间序列模型（FTSM）.从两个模型的变量设置上来看,函数型部分线性模型的响应变量是标量,预测变量既含标量变量又有函数型变量,而函数型时间序列模型的响应变量和预测变量均为函数型变量.根据是否使用非参数方法建模,函数型部分线性模型又分为半函数型部分线性回归模型（SFPLRM）与部分函数型线性回归模型（PFLRM）.本文主要利用三个函数型数据模型对未来的股票指数动态变化曲线进行预测,训练数据选自2020年4月17日至6月17日,共41个交易日的沪深300指数的5分钟股指数据.由于函数型部分线性模型的响应变量是标量,因此并不能预测未来的股指动态曲线,为克服这一问题,本文对一交易日内48个时间点的股指数据分别建立模型共计48个模型,其中第4)（4）=1,,48)个模型将第2～41日的第4)个时刻的股指数据作为模型的响应变量,将1～40日的标量变量和股指数据函数型变量作为预测变量.将48个模型的预测结果按时间顺序排列,通过插值方法恢复成函数曲线,该曲线便是股指动态预测曲线.通过对三个函数型数据模型的预测结果比较可知,半函数型部分线性回归模型的预测结果均方误差（MSE）最小,部分函数型线性回归模型的均方误差次小,因此半函数型部分线性回归模型的预测效果最优,而函数型时间序列模型的预测效果最差.通过对三个模型的预测耗时对比,半函数型部分线性回归模型的耗时最长,约为部分函数型线性回归模型的八倍.本文利用新疆板块内的57支股票日收盘价数据,构建傅里叶基函数模型,插入光滑项,利用广义交叉验证法（GCV）选取恰当的光滑参数,将原始数据处理成拟合效果较好的函数型数据.通过函数型主成分分析,选取第一主成分得分最高的八支股票作为新疆板块最具有代表性的股票.最后利用所选股票的每日5分钟数据构建每日股票指数曲线,通过半函数型部分线性模型对未来一日进行预测,预测曲线与真实曲线走势相同,说明该模型的预测效果良好.