股票市场能综合反应一个国家的经济运行情况,与实体经济有着紧密的联系,股价的暴涨暴跌都有极大的风险,小到投资的本金受损,大到引发社会性风险。沪深300指数涵盖范围广且具备代表性,出于降低风险、提升收益率的目的,预测沪深300指数的股价涨跌趋势,就成为了一件十分有意义的事。本文基于ADF检验验证我国A股市场未达到弱式有效,即可以使用技术手段对股价波动趋势进行预测。交易数据是一种多元的非线性的时间序列数据,使用传统的时序模型可能无法充分的提取数据特征,所以本文提出使用Attention-LSTM神经网络模型做特征提取。股市整体的波动情况与宏观经济有关,所以本文在做特征构建时,除了考虑传统的“四价一量”外,还引入了 PMI体系信息,并使用灰色关联度分析做进一步的特征筛选;加入时间因子,最后确定神经网络的输入包含14个特征。本文重点讨论了预测类别构建和模型结构设计的问题,以及为了丰富训练语料,提出可以使用预训练的思路让模型学习通用的数据特征,再在沪深300指数上做微调的方法。为了验证本模型的合理性和有效性,分别从三个方面进行全面的对比分析,即是否引入PMI体系信息,是否使用预训练思路,是否使用Attention结构。基于控制变量法的原则,每次实验只对比一个变量,在此基础上重新训练对比模型,最后得出结论,并做分析。最后评测结果表明,本文提出的模型预测准确率为43.8%,优于随机猜想,进一步验证了我国A股市场确实未达到弱式有效,通过技术手段可以进行预测分析。对比分析显示,不使用PMI信息的模型精确率为37.9%,不使用预训练的模型精确率为42.2%,本文提出的模型精确率更高,说明使用预训练以及引入PMI信息,确实能提升模型的预测性能。而Attention结构的使用需要视情况而定,在行情波动适中时该结构有利于特征提取,可以得到较好的预测精确率,但是在行情波动较剧烈或者过于平稳下,该结构对最终的波动趋势预测反而不好。