股指期货作为套期保值和风险规避的有效工具,在金融市场中一直扮演着重要角色,尤其在当前国际环境不稳定的情况下,股指期货价格的有效预测对政府宏观调控和投资者规避风险来说都有重要意义。目前对于股指期货的价格预测主要有时间序列统计分析和机器学习方法,但都不能有效发掘时序性规律。近年来,循环神经网络（RNN）及其改进模型通过强大的特征提取能力和学习能力,能有效捕捉时序数据规律,其中门控循环单元网络（GRU）在长短期记忆网络（LSTM）的基础上简化了结构,提高了效率,目前还较少应用在股指期货价格预测场景。注意力机制可以对不同时间点的特征赋予不同权重,避免循环神经网络长期信息丢失问题,提高模型的预测效果和可解释性。因此本文将注意力机制引入GRU神经网络,应用于股指期货高频交易价格预测,具有一定的理论和现实意义。具体研究包括以下三部分:第一,构建指标体系与特征筛选。基于沪深300股指期货,选取其1分钟和5分钟数据,构建了包含价格指标、技术指标、市场情绪指标的指标体系,并通过Pearson相关系数、递归特征消除、岭回归、随机森林和极端梯度提升这五种方法筛选出模型的输入特征。第二,进行模型实证分析及对比。引入注意力机制,构建GRU-Attention模型,使模型训练时聚焦于重要时间点的特征信息,并进行不同指标和不同模型的预测效果对比,以验证特征筛选及预测模型的有效性。第三,设计并执行交易策略。基于GRU-Attention模型模拟市场交易规则设计了交易策略,并根据胜率、盈亏比、期望收益等6个指标来验证策略的有效性。实验证明,本文提出的GRU-Attention模型经过特征筛选后的预测效果更好,且在MAE和RMSE这两个指标上均优于RNN、LSTM、GRU、LSTM-Attention、SVR等模型,其回测收益也较为可观,说明结合注意力机制的GRU模型可以捕捉到重要时间点的局部特征,其对模型的优化是有效且可行的。本文的创新点主要有以下三点:一,指标体系的完善。选取了适合股指期货的技术指标和市场情绪指标,采用多种特征选择方法筛选出重要性较高的特征,并通过对比实验验证了筛选后的指标具有较好的预测效果。二,预测方法的创新。将GRU神经网络应用在股指期货高频交易价格的预测研究上,并引入注意力机制,使模型注重于重要时间点的特征信息,提升了预测精度。三,自定义交易策略。设计简单的交易程序,加入了持续持仓和止损设计,以控制交易频率和风险,并通过收益率、胜率、平均盈利、平均亏损、盈亏比和期望收益这6个指标来评估策略的有效性。