近年来深度学习的突破,引起了社会各界对人工智能的关注。人们普遍认为人工智能技术将成为引领第四次工业革命的关键技术,世界各主要发达国也都在加大对人工智能的投入以期抢占科技制高点。作为这场科技竞争的重要参与者,我国国务院、发改委、科技部等部门出台了多部政策鼓励和支持人工智能技术的发展,《新一代人工智能发展规划》更是从国家的层面对人工智能技术进行系统布局,把对人工智能技术的支持提高到了一个新的高度。与国外相比,过去的几年中我国在人工智能技术的应用和产业方面取得了巨大的优势;虽然在基础理论方面仍然相对薄弱,但也取得了长足的进步。同时,随着我国深化改革开放,金融领域将逐渐对外实现全面开放。为了增强我国在金融领域的竞争力,最终将我国建设为金融强国,把人工智能技术与金融结合起来得到了业界、学术界和个人投资者的普遍关注和支持。在金融领域中股票价格指数（一般也简称为股价指数或股指）是一个非常重要的指标,反映了股票市场的整体行情和国内经济运行情况。同时,以股指为标的产生了股指期货,丰富了投资渠道。精准的预测股指,既能为投资者提供投资依据,也能使相关部门更好地监管市场。本文使用了一种新型的神经网络结构一多变量时间卷积网络（Multi-Variable Temporal Convolution Network,MV-TCN）对沪深 300 股票价格指数（HS300 股指）的收盘价在短期、中期、长期三个时间范围上进行了预测。与时间卷积网络相比,该模型对股价指数时间序列的多个因素抽取时序上的特征并综合使用这些特征对下一日的股指收盘价进行预测。通过与已有的多种机器学习模型和统计学方法相比较,发现MV-TCN模型在预测准确度和稳定性方面有显著的提高。此外,对上证综指收盘价在短期、中期、长期进行预测并对比了传统模型,证明MV-TCN具有良好的泛化性。在众多任务中,注意力机制都能够有效地提高模型的性能。因此,本文在MV-TCN模型之后使用了一种新型的注意力机制—时间模式注意力（Temporal Pattern Attention,TPA）,该注意力机制通过使用一系列滤波器抽取了 MV-TCN输出的中间特征的时序方面的高层特征,类似于将MV-TCN输出的中间特征变换到频域,并使用频域的相关高层时序信息对HS300股指收盘价进行预测。相比于普通的注意力机制,TPA抽取了跨多个时间步的时序模式。为了更客观地评估这种注意力模型的效果,与软注意力机制进行了对比,发现TPA性能更好。