随着我国社会经济的不断发展和金融市场的愈加成熟,股票已然成为吸引境内外投资者的重要投资项目。为了从更宏观更系统的角度考察股市,人们通过综合多只样本股票的信息来计算股票指数。直接分析股票指数能避免对样本股票重复进行建模,在一定程度上缩减了工作量。随着人工智能等新兴技术在金融领域的应用越来越广泛,如何将这些先进模型和理论引入股指预测领域也成为了新的研究方向。传统的股票指数预测方法通常是在含噪声、非平稳以及非线性的原始股票指数序列上进行的,这会极大地限制预测精度的提升。为了解决这个问题,本文提出了一种时频融合卷积神经网络模型,用于股票指数预测任务。首先,通过引入VMD,自动将原始序列数据分解到时频特征上,使得分解得到的部分模态子序列具有低噪声,同时具有更明显的趋势性和平稳性。进一步,本文通过结合TCN,构建了时频融合卷积神经网络模型。为了验证所提出模型的效果,本文在6个真实数据集上与几个基准方法进行了比较,实验结果表明本文的方法具有更高的预测精度和更好的鲁棒性。