近年来,股指预测受到了学术界和工业界的广泛关注,股票相关网络也成为复杂网络领域的研究热点。现实中的股票市场是一个高度波动、非平稳、非线性的动态市场。股指预测结果提供了股指期货交易的最佳买卖时机,对研究股指交易策略有着重要的启示作用。传统的股指预测研究方法大多数是基于股票市场技术分析,然而没有单一的技术指标可以持续准确的预测股票市场趋势。机器学习通过将股指预测问题转化为二分类问题,一定程度上解决了传统技术分析方法失效的问题,但是经典机器学习分类器的有效性很大程度上取决于输入变量的选择。经过特征选择的输入变量可以提高机器学习分类器模型的性能。如何选择分类特征,这在数据挖掘领域还是一个值得深入研究的问题。此外,不同机器学习分类器针对不同股票市场的不同阶段,表现差异显著,如何融合不同机器学习分类器预测结果学习可靠的交易策略也是一个亟待研究的问题。为解决以上问题,本文提出了基于复杂网络和强化学习的股指预测模型。首先,基于可视图方法计算股票距离矩阵,利用极大平面过滤图算法构建股票相关网络,基于复杂网络理论提取拓扑指标,并结合技术指标作为特征变量。然后从定量投资分析中计算标准函数来训练机器学习分类器模型,利用一致性决策机制为每个机器学习分类器学习最可信的交易策略。最后基于强化学习模型学习投资者和股票市场的相互作用,利用前景理论选择最佳投资策略。为了验证和评估所提方法的有效性,本文选择了国内外四个有代表性股票市场(上海深证CSI300,美国标普500,英国富时100和日经225)的日线数据。首先选取不同的回测指标对,在每个分类器上进行测试,通过比较回测指标对的秩和比,学习每个分类器在相应的测试集上的最佳回测指标对。然后根据不同的预测变量,构建不同的分类器模型,通过投资效益分析拓扑指标的有效性。最后基于真实股指历史数据训练强化学习模型,并在真实股票市场上进行了模拟投资实验。实验结果表明,技术指标和拓扑指标相结合可以产生更好的交易策略,利用标准函数学习候选预测信号带来了更好的投资效益,同时与基准预测模型相比,我们提出的Q-learning方法更加鲁棒,且获得了相对较好的投资效益。