近年来,多种时间序列预测模型在经济及社会领域得到了广泛的应用,并在不同领域中发挥着重要的作用,对社会中各行业的未来发展提供了有价值的参考信息。在股票市场中,大部分股票指数的时间序列可以通过统计学方法来构建预测模型,这些模型可以对股票市场未来可能发生的变化进行推断和预测,由于这种方法既可以避免繁杂的数据获取过程,又可以减少冗余信息的干扰,因此得到了许多学者的青睐。与此同时,股票指数预测对帮助投资者形成投资倾向,构建投资策略有着积极的影响,模型的预测精度将直接影响投资者对股票的收益预期和风险评估。然而,传统的经济预测模型由于存在单一预测模型具有自身局限性的问题,从而导致这些单一模型在实际股票指数预测中的准确性较差。因此,构建出预测精度高,简便易行的股票指数预测模型是具有实际价值的。为了克服传统经济预测模型存在的缺陷,本文在国内外现有研究的基础上,提出了一个包含了数据预处理技术,多种神经网络子模型并加以多目标优化算法进行组合赋权的组合模型,在实证分析中,以股票指数为历史数据,对未来股票指数分别进行了一步、两步和三步预测。由于金融领域的时间序列数据通常十分复杂,一般具有随机性、非线性等特点,所以在文中提出的组合模型中,首先对股票指数数据进行了预处理,分别运用了经验模态分解算法、集合经验模态分解算法、奇异谱分析、变分模态分解算法四种方法对数据进行处理,通过对预测结果误差进行比较,最终选定奇异谱分析为本文组合预测模型的预处理方法;其次选取了四个在股票指数预测中常用的模型,包括差分整合移动平均自回归模型、前馈性神经网络、门阀门单元神经网络、长短期记忆神经网络,作为组合预测模型的子模型;最后利用多目标蝗虫优化算法来确定组合预测模型中各子模型的权重参数,从而构建出完整的组合模型。实证分析中选取的数据是可以代表中国股市与美国股市乃至全球经济的重要晴雨表,即中国股市的上证指数、美国股市的纳斯达克综合指数与道琼斯指数。实证研究主要得出以下结论:①通过比较预测结果,可以发现文中提出的组合模型是实验所有模型中表现最佳的,具有最高的预测精度,和最稳定的预测表现,因此该模型的预测结果可以指导投资者进行投资,从而使得投资风险显著减少;②经过了数据预处理后的子模型,在股票指数预测中的预测精度得到了不同程度的提升,其中基于分解和重构的奇异谱分析技术通过去除高频信号来获得时间序列的基本特征,相较于其他数据预处理方法,在一步、二步和三步预测中均取得了最佳的预测效果;③通过多目标蝗虫优化算法优化了组合模型中各个子模型的权重系数,从而获得具有高精度与高稳定性的组合模型。可以肯定的是,该模型的应用将有助于投资者对资金的管理,制定合理的投资决策。文章的创新之处主要包括以下两个方面:第一,应用分解重构策略,采用数据预处理方法,通过消除高频信号的影响提取原始数据的主要特征,使预测更准确。分解原始数据并将其重建,从而可以消除原数据中的不规则性和不确定性,并实现更好的预测效果;第二,在组合子模型的过程中,应用了多目标蝗虫优化算法,为组合模型中的子模型赋予最优的权重系数,实现了良好的预测效果。文章的不足之处主要体现在两个方面:第一,本文对模型的检验数据都来自于股票指数数据并没有使用具体的某一只股票的数据,因此,在模型的通用性和可移植性方面仍然有待检验。第二,本文只对股票指数历史数据的时间序列进行了分析,并未进行深层次的讨论,在今后的研究中应加入各种经济指标等影响股价的因素进行关联分析。