股指数据是一种典型的非平稳时间序列数据,现有的研究框架在实际预测中,模型的预测精度一直处在较低的水平。在评价模型时,由于选用股指数据不同以及评价标准单一,模型间的可比性较差。同时,在模型预测的层面也缺少对跨市场数据的应用研究。为了提高模型的精度和解决评价标准不一致问题,本文定义了一个新的基于深度学习的预测模型。除股市之外,像海洋、大气以及电力等领域的数据也大多呈现非平稳的特征,因此,本文提出的预测模型对于解决此类问题具有一定的通用性。本文选定沪深300指数收盘价为研究对象,现有的研究方法大多是先对指数采用经验模态分解（EMD）方法处理,再结合时间序列预测算法,如时间卷积网络（TCN）、长短期记忆网络（LSTM）等模型进行预测,但此框架会受到单一预测模型的限制。为了解决这一问题,本文构建一个包括多个处理流程和多个基础模型的深度学习网络模型,以充分发挥不同模型的优点。此外,本文通过度量沪深300指数与全球其它主要股指之间的相关性,选定中国香港恒生指数的同日开盘价和美国标准普尔指数前日收盘价一同纳入预测模型。本文分别介绍了基于数值、方向和交易策略的共三大类评价方法,特别是基于交易策略的评价方法充分考虑了股市的保值和增值性的特点。通过牛市反转和熊市回调两种市场风格数据的实证分析,发现了引入跨市场的股指数据可以有效提高模型的预测效果。评价指标的具体表现大都与数据自身的特征有一定关系,通过多种评价指标体系,避免了单一评价标准带来的偏差问题。此外,本文提出的深度学习框架在表现上相较于基础模型也有了显著的提高。从方法论的角度看,本文通过对多个优秀模型进行重组,得到了实际效果要超过原始模型的框架模型,这也是现有深度学习相关研究的常见用法。