股票价格指数的有效预测有助于探索股票价格的内在规律,从而及时规避金融风险,提高股票市场的稳健性。所以研究高效的股票价格指数预测模型具有理论与现实的重要意义。人工神经网络具有强大的自学习、自适应特点,其预测效果比传统时间序列模型更好。随着人工神经网络的快速发展,深度神经网络算法也不断应用于股票市场研究。深度递增递减线性神经网络(DIDLP)作为一种深度神经网络,它是由线性算子和非线性算子构成的,可以有效提取股票时间序列数据中线性与非线性特征。目前的研究表明,DIDLP模型能够有效改善股票时间序列预测中一阶时滞的问题。因此,论文引入DIDLP神经网络研究股票指数预测问题。本论文首先总结了金融时间序列预测的研究方法,介绍了传统时间序列模型和人工神经网络模型,重点介绍了深度递增递减线性神经网络的基本原理。然后根据预分析的结果优化DIDLP神经网络,建立了加入正则项的DIDLP神经网络模型。最后将模型应用于股票价格指数序列的预测中。主要研究工作如下:(1)为了掌握股票价格指数的特点,使用BDS、Hurst指数、离散导数等方法对股指序列进行统计分析。分析发现沪深300指数的Hurst指数为0.6。这表明沪深300指数具有一定的长记忆相关性,从而有一定的可预测性,但是由于其Hurst指数靠近0.5,所以可预测性较低。预测的困难性表现在大部分预测方法的预测结果具有很强的一阶时滞。进一步分析发现,沪深300指数预测困难的原因是股指序列表现为短期线性关系,长期非线性关系伴随着递增与递减趋势。(2)针对股票价格指数序列的特点,引入了DIDLP神经网络。通过使用早停法和正则化方法优化DIDLP神经网络模型,减少模型过拟合的风险。最后提出并建立了适用于股票价格指数的DIDLP-正则化神经网络预测模型。(3)为了衡量DIDLP-正则化模型的性能,建立ARIMA、ARIMA-GARCH、DNN以及DNN-正则化模型作为参照模型,设计多组实验验证模型预测效果。将沪深300指数的收盘价作为数据集,使用MATLAB软件实现算法。结果表明DIDLP-正则化模型的预测效果最好,该模型在针对沪深300指数预测中表现出明显的优势。