今天,随着机器学习深度学习的快速发展,神经网络在大数据处理方面得到了广泛的应用。在处理语音、视频图像、自然语言等时间序列数据上取得了巨大的成功。因此,许多学者尝试将深度学习神经网络方法运用到金融时间序列数据上,来构建以数据驱动的股指预测模型。其中,经典的长短时记忆神经网络（Long Short-term Memory Networks,LSTM）凭借其优秀的序列建模能力获得了学者们的青睐。但是LSTM也存在着建模特征较少,表征能力较弱的缺陷。所以,近年来有学者尝试将具有强大表征能力的卷积神经网络（Convolutional Neural Networks,CNN）与LSTM进行结合,但是效果提升有限。本文通过实证分析发现,以往CNN结合LSTM效果提升不佳是CNN提取的数据特征尺度过于单一所造成的。鉴于此发现,本文借鉴了2015年Szegedy等人提出的基于多尺度特征卷积的Inception模块,并在此基础上根据本文研究的实际问题做了一些改进,将基于多尺度特征卷积神经网络（Multiscale-feature convolution neural network,MCNN）和LSTM进行结合。实证表明,基于多尺度特征的网络结构要明显优于单一尺度的网络结构。除此之外,近两年Attention思想在深度学习领域得到了很多学者的关注,各种各样层出不穷的基于Attention思想的模块也证明了Attention思想的有效性。以往学者们在CNN领域所提出的Attention模块大多是运用在二维数据（图像）或者三维数据（视频）上,而本文针对一维的金融时间序列数据提出了两个简单且非常有效的Attention模块——Attention-channel模块和Attention-time-step模块,它们可以使模型更加具有指向性。并结合MCNN和LSTM,构建了基于多尺度特征的Attention-MCNN-LSTM模型,将其应用于上证指数预测研究,实证表明该模型具有更好的拟合能力和泛化能力,在6个评价指标中,5个指标达到最优,一个指标达到次优。同时,通过对比不加Attention模块的模型,在4个指标中都得到明显提升。其中,在MSE评价指标上,Attention模块使模型性能提升了12.80%,证明了本文所提出的这两个Attention模块的有效性。