一直以来金融时间序列的预测问题都是投资者和学者的研究重点,但股市受多种复杂因素影响,预测难度较大。随着计算机技术的发展,越来越多的机器学习方法应用于金融时间序列的预测问题中,尤其在股票价格指数涨跌预测中具有很强的适用性。本文以LightGBM算法为基础构建股票指数涨跌预测模型,对沪深300指数和中证500指数的涨跌进行预测,选取12个技术指标作为输入特征,第二天的涨跌作为输出变量。同时,为了优化模型的预测效果,运用逻辑回归联合LightGBM算法的方法,构建LR-LightGBM模型对两个股指进行预测,利用网格搜索法对算法中的参数进行寻优,比较上述两个模型的预测效果。本文选取2012年1月1日至2019年12月31日的交易日数据进行实证研究,结果显示上述预测模型对股指涨跌的预测均有较好的适用性,对于沪深300指数的预测效果较好,并且逻辑回归有助于提高LightGBM模型的预测准确率。然后基于LightGBM模型和LR-LightGBM模型的预测结果,构建量化择时策略,以嘉实沪深300ETF为交易对象进行回测。从风险和收益方面,综合比较两个模型,发现基于LR-LightGBM模型的股指涨跌预测方案更优,取得了较为稳定的收益,可作为投资者的参考的依据。