在当前国内与国际经济双向循环、相互促进的新时期,股指期货的发展受到了各国政府的高度重视。股指期货作为一种重要的金融衍生品,它的高收益特性也深受广大投资者的青睐。为了便于政府工作的顺利开展以及降低投资者们遭受巨大损失的风险,研究股指期货的价格变动规律并合理的预测其未来价格就显得尤为重要。预测我国三大股指期货的价格变动,对于金融监管者而言,可以有助于他们做出经济决策、管理股市的系统风险、帮助企业制定融资计划,从而促进经济的对外开放;对于投资者而言,可以帮助他们更加理性的选择理财产品,从而获得更高的预期收益。因此,进行股指期货价格的预测意义重大。由于股指期货的价格具有高噪声、非线性、非平稳的特点,如果借助ARIMA、GARCH等传统的计量经济模型对其进行研究会存在很多不足之处。即使借助机器学习中经典的SVR模型、BP算法等对其进行研究,也可能达不到理想的效果。基于此,本文将围绕如何建立预测精度更高的神经网络模型来对我国股指期货的价格进行预测这一问题展开探究。具体做法是将Adabelief优化器、PCA方法、GRU神经网络模型之间进行搭建组合,并在基本指标和技术指标的基础上加入投资者情感指标丰富因子池。最后对搭建好的模型分别采用手动调参和借助改进的PSO算法来实现模型的自动寻参过程,旨在进一步提高模型的预测性能。本文基于我国三大股指期货主力连续合约的日价格数据进行实证研究,并利用3个评价指标来判断模型的预测结果。首先基于Adam优化算法下的PCA-GRU模型对我国沪深300股指期货进行初步考察,寻找PCA-GRU模型在Adam优化器下的一组最优参数。接着把这组最优参数放到基于Adabelief优化算法下的PCA-GRU模型中继续对沪深300股指期货数据进行训练和测试。研究发现:在相同数据集、相同模型和相同参数下,基于Adabelief优化算法下的PCA-GRU模型取得了更好的预测精度。与基于Adam下的模型相比,模型的MAE减少了 0.5%,RMSE减少了 0.5%,R2提升了 1.1%。其次,又创新性的新选取了与投资者情绪密切相关的4个指标,借助主成分分析法来构建投资者情感指标,把该指标加入到基于Adabelief优化器下的混合模型中。对比发现:在相同优化器、相同模型和相同参数下,新加入投资者情绪指标后模型的MAE减少了 0.4%,RMSE减少了 0.3%,R2提升了 0.8%。最后,探索了 PCA-GRU模型在Adabelief下的一组最优参数。再次验证了 Adabelief算法要优于Adam算法,即在不同优化器、不同参数、相同模型和相同数据集上,模型的MAE减少了 1.5%,RMSE减少了 1.4%,R2提升了 3.5%。为了避免模型结果出现的偶然性,我们同样对上证50股指期货和中证500股指期货也展开相应的探究。通过对三种股指期货未来价格的预测和对比,分析模型的应用效果。鉴于手动调参的时间成本较高,在文章末尾又增加了 PSO算法、IPSO算法来实现GRU模型的超参数调节。最终的实证结果表明:（1）Adabelief优化器较Adam优化器具有更好的收敛性和泛化能力。（2）在引入利用PCA降维方法构建的投资者情感指标后,提高了模型的预测能力。（3）借助本文改进的PSO算法优化的GRU模型在时间和预测精度上都具有很好的鲁棒性。