股指期货是以股票指数为标的物的金融期货品种,是我国金融市场的重要组成部分,在发挥着价格发现、对冲股票风险等作用的同时,也极大丰富了金融投资者的投资渠道,影响了投资者的投资策略,其作为具有独特功能的交易市场为整个经济领域提供着无可替代的作用,因而股指期货价格预测的意义重大。现有的股指期货价格预测方法主要有使用传统计量模型的时间序列分析法、支持向量机回归模型、神经网络预测方法等,但时间序列分析法难以刻画金融市场波动的随机性和复杂性,对金融时序的预测效果不佳,而支持向量机存在核函数难以选择和训练速度慢、耗时长的缺点,神经网络存在网络结构难以确定的缺点,这就使得单一模型可能存在无法完全拟合模型的情况。由此,本文提出了集成支持向量机回归模型和神经网络领域的长短时记忆模型的混合模型构建方案,旨在进一步提升股指期货价格预测的准确性。本文首先分析了中国的三种股指期货,鉴于中证500股指期货的投机性、易操纵性,本文选择了更具市场代表性的沪深300和上证50股指期货主力合约日数据来作为研究对象,同时研究两只期货产品避免了模型的偶然性。在指标选取上,将技术指标纳入模型的输入变量,综合考虑基本行情指标和技术指标对股指期货收盘价的影响,并使用主成分分析方法对变量进行降维处理。在实际模型构建中,本文将基于深度学习的长短时记忆模型拓展到股指期货价格预测领域,使用最新的Adam算法优化模型,并创新地通过岭回归方法将长短时记忆模型和常用的支持向量机回归模型集成起来,构成混合模型。实证结果显示,混合模型比单独的LSTM、SVR模型在对股指期货收盘价的预测上误差更小,取得了更好的预测精度。最后,本文基于构建的LSTM-SVR岭回归混合模型制定了两种股指期货单边交易策略,以沪深300股指期货主力合约为例进行了回测,回测结果显示,无论哪种策略均取得了远远高出基准收益率的年化收益,论证了混合模型的合理性。