随着在线交易平台的引入及计算机技术的不断发展,以趋势预测为基础的算法交易策略越来越受到投资者的青睐。然而,由于金融数据的复杂性和动态性,人工设计新特征较为困难,传统预测方法通常难以取得良好的预测精度。因此,本文使用可以自动提取特征、拟合能力更强的神经网络模型来预测股指趋势,并构建了紧密结合的“神经网络+算法交易”框架。该框架直接将预测结果作为交易信号,产生自主智能决策的择时策略。本文以中国市场的股指数据为例,对该框架从数据处理、神经网络模型、算法交易策略、模型评价指标四个方面展开研究。在数据处理方面,针对趋势定义及预测步长的选择问题,本文设计回测实验,在多种标签中选择使策略收益达到最大的一个作为最终预测目标。在模型方面,使用时间卷积神经网络（Time-CNN）来预测股指趋势。与其他六个神经网络模型的对比实验结果显示,Time-CNN模型具有最好的预测精度。在算法交易策略方面,本文框架产生了七个神经网络择时策略,其中五个的收益率高于“买入并持有”等基线策略。Time-CNN策略获得了最大收益率,从夏普比率和最大回撤的角度来看,该策略也具有良好的抗风险能力,可以为投资者提供一定的参考。模型评价指标可评估模型性能,帮助研究者挑选最优模型。然而,传统模型评价指标（准确率和F1得分）在反映“模型对应策略的收益能力”方面存在的不足。本文提出两个新的模型评价指标:惯性加权准确率（IWACC）与涨跌幅加权准确率（PWACC）。新指标与对应策略收益之间具有更高的相关性,可以更好地帮助投资者选择收益更高的模型。实证结果表明,新指标最高可将平均收益率从3.37%提升至7.95%。