如何将人工智能技术有效地应用在股票市场的相关预测中,是我们面临的挑战。如果能确定有效的股票指数预测方法,则有利于投资者做出更明智的投资决策。本文主要研究卷积神经网络在预测股票指数趋势方面的能力。本文以沪深300指数为主要研究对象,预测其下一分钟的四类涨跌趋势。实验选取了股票指数在2019年1月2日至2019年7月15日的交易类数据,基于四价一量一额扩充股票指数常用的技术分析指标,利用多种特征选择方法确定最优特征子集。通过每分钟的滑动构建10×10的二维图像,其中x轴由每个时间维度下的10个特征组成,y轴由10个时间维度滑动组成。基于一维卷积和二维卷积的简单堆叠式模型,从多方面调整模型结构和优化参数,确定最优模型,模型在沪深300指数的四分类涨跌问题中准确率为47.8%,相比于随机猜测的准确率为25%,提高了 91.2%。此外,本文进行两组对比实验,一是采用了逻辑回归、支持向量机和集成学习,二是搭建了浅层的ResNet和DenseNet等不同结构的模型。实验结果表明,以技术分析指标为特征的股票指数预测方法中,简单的卷积神经网络优于传统的机器学习和复杂的卷积架构。而且,我们的卷积模型关于小涨小跌的预测相较于大涨大跌可行度更高,召回率相对均衡。本文将模型推广至沪深两市40种股票指数的涨跌预测,预测结果表明我们的模型有很好的泛化能力,其中8种股票指数的准确率高于50%。同时,本文还基于图像构建和卷积架构两方面进行实验探索,其中混合输入模型能将3种常见指数的准确率提高1-2%。这是一个启发性的工作,有利于股票预测模型的未来发展。