股票指数又名股票价格指数,是一种由证券交易所或金融服务机构编制的反应股市行情的参考数字,可以作为一个国家经济形势的综合反映。相对准确地预测股票价格指数,对于政府监管人员和投资者而言,都有着重大意义,因此受到学术界和业界的广泛关注。随着深度学习的发展,各种基于循环神经网络(Recurrent Neural Networks,RNN)的深度学习方法逐渐替代传统计量经济模型和传统机器学习模型,成为股票预测算法的选择。然而RNN由于其循环结构的存在,在处理长序列数据时存在着一定的弊端。而影响股票价格的因素极其复杂,这对预测模型可以处理的序列长度提出了更高的要求。同时,由于股票指数预测结果的涨跌准确率直接决定了该结果是否可用,现有算法也不能针对预测结果的涨跌准确率提供有效的监督信息。自注意力机制(Self-Attention Mechanism)是一种模拟人类注意力机制的深度学习模型,相比循环神经网络,它可以处理更长的序列数据,一定程度上解决了长期依赖的问题,同时也有效地避免了梯度消失和梯度爆炸的问题,具有更好的可并行性。本文将自注意力机制应用于股票指数预测领域,根据其结构特点,创新地为其设计了基于卷积神经网络的特征提取模块以及可以在输入数据中包含趋势信息的“特征图像”预处理方法。同时从实用性角度出发,分析了现有方法将股票指数预测问题视为简单回归问题的弊端,并针对此弊端提出了新的股票指数预测算法的训练目标函数。这些预处理方法、模型和目标函数一起形成了一种新的股票指数预测算法。该算法可以根据对预测精度和预测涨跌方向准确度的实际需求调节目标函数比重,提升了模型对涨跌方向的预测能力,同时也保持了良好的预测精度。基于以上的研究,本文设计并实现了一个股票指数预测系统。该系统可以端到端地完成数据采集、模型训练、模型预测、结果展示等功能,为非金融、计算机相关专业用户便捷地提供更多信息辅助其监管或交易决策。本文详细描述了该基于深度学习自注意力机制的股票指数预测算法的原理,以及基于该算法的股票指数预测系统的功能设计、架构设计、运作流程以及实现。