股票市场不仅仅是反映了一个国家或区域当前的经济状况,同时还发挥着预测一个国家或地区经济形势发展的作用。本文的主要研究对象是沪深300综合指数（简称沪深300）。沪深300是通过选择上海证券市场和深圳证券市场中规模最大、流动性最好、最具代表性的300只股票编制的综合指数,代表了中国A股市场70%以上市值。因此,沪深300可以给投资者提供权威的A股市场投资方向,也便于投资者进行跟踪和进行投资组合管理,保证了指数的稳定性、代表性和可操作性。本文主要研究了沪深300的收盘价的变化状况。基于2021年6月11日至2021年12月10日沪深300及其成分股的收盘价数据建立模型。首先,分别通过Lasso的正则化方法和贝叶斯框架下的Lasso方法进行变量选择,简化模型,进而筛选出沪深300的重要解释变量;其次,分别结合BP神经网络和贝叶斯神经网络构建多个组合模型,并计算几个模型的训练误差与拟合误差;选择最优模型对沪深300收盘价进行预测,计算其预测精度。由于对股票进行预测时,单独的神经网络模型在高维数据下会出现过度拟合的情况。本文在进行神经网络建模前先进行了变量选择,分别运用Lasso与贝叶斯Lasso进行降维。实证结果证明Lasso在模型拟合时存在过拟合的情况,相较而言贝叶斯Lasso对训练集与预测集的误差相对稳定。贝叶斯神经网络通过抽样来确定参数的分布,解决了神经网络对初始权重改变的敏感度,相较于非贝叶斯神经网络更加稳健,在模型检测中贝叶斯Lasso与贝叶斯神经网络的组合模型在训练集与测试集上预测误差最小,改善了 Lasso与BP神经网络组合模型的过拟合。在预测沪深300指数的实证中,贝叶斯框架下的Lasso与神经网络的组合模型具有较高的精确度。