股票市场通常被视为经济的“晴雨表”,因为其表现与社会和经济发展密切相关。股票价格上涨通常预示着经济正在向好发展,这意味着投资者可以期望获得更高的收益。相反,股票价格下跌预示着经济发展不如预期,投资者可能面临更大的风险。股票指数作为市场价格变动的指标,反映了股票市场上各种股票价格的总体水平和变化情况。投资者根据股票指数的升降变化,可以判断出股票价格的变动趋势。预测股票指数价格并探究其变动规律,有助于增强股票市场的直接融资功能,也有助于投资者制定有效的投资策略以实现投资目标。因此,开展股票指数价格预测的相关研究具有重要意义。本文提出了一个用于沪深300指数收盘价格预测的CP-LSTM模型,并基于预测模型构建了一个量化投资策略,旨在帮助投资者更准确地预测股票指数价格和开展投资活动。预测模型将指数过去20个交易日的历史数据作为输入,使用频率分解算法和主成分分析对这些输入数据进行预处理,并利用LSTM神经网络产生下一个交易日收盘价格的预测值。在开展研究时,首先对预测模型所使用的LSTM神经网络进行研究,讨论了输入样本的时间序列长度以及神经网络结构参数选择。然后引入频率分解算法建立C-LSTM模型,分析了该算法的有效性和适用性。紧接着继续引入主成分分析建立CP-LSTM模型,对该模型的预测效果进行了分析。最后,基于所提出的预测模型构建了量化投资策略,利用历史数据对该策略进行回测,从收益和风险两个方面对策略的回测表现进行评价。利用2011年至2022年的数据对预测模型和量化投资策略进行研究。在对预测模型的神经网络部分的合理性进行研究时发现,LSTM神经网络在处理时间序列数据方面具有优势,预测模型的神经网络具有合理的参数设置。互信息分析的结果表明,输入特征包含了不同重要程度的信息,与价格相关的特征在预测中发挥了更大的作用。引入了频率分解算法的C-LSTM模型,因为可以利用算法产生的子序列的特征信息,因而在预测结果评价指标上有更好的表现。然而,频率分解算法不能随意地选择特征进行分解,应当对互信息值最高的收盘价特征分解。继续引入主成分分析后的CP-LSTM模型,通过对互信息值更低的非价格特征进行降维处理来提高输入数据的质量,在所有的预测模型中取得了最好的预测表现。使用预测模型构建的量化投资策略,在回测区间上实现了20.72%的年化收益率,并且在不同的回测评价指标上均有较好的表现。回测结果验证了策略的有效性和实用价值。策略能够以较低的风险实现稳定的超额收益,说明了当前的股票市场还未达到有效状态。本文所提出的预测模型和量化投资策略取得了不错的效果,能够为股票市场参与者提供一定的投资参考。