随着我国经济转入高质量发展阶段,我国股票市场也在持续变革。股票指数能够反映某个地区、某个板块或者某类行业的当前发展状况和未来发展前景。科创创业50指数综合反映了科创板和创业板中代表性新兴产业上市公司证券的整体表现,研究科创创业50指数的走势不仅能够为国家科技创新政策制定提供依据,还可以帮助新兴科技企业的融资发展,更能为个人投资理财提供参考价值。该学位论文选取表征我国科技创新行业、高科技行业等市场整体走势的科创创业50指数,样本期为2021年12月13日至2022年3月4日的5分钟线数据,共计2592个交易数据,以开盘价、最高价、最低价、收盘价、成交量等指标为输入,预测了科创创业50的收盘价指数。主要做了以下三个方面的工作:在对科创创业50指数的数据处理问题上,首先介绍了该指数的数据来源并对原始数据中包含的各项指标进行描述性统计,为了便于后续的模型预测,对样本数据进行了归一化处理和平稳性检验,并将前80%数据作为训练样本集,后20%数据作为测试样本集。在对科创创业50指数预测模型的选择上,考虑到循环神经网络模型对时间序列数据的良好处理能力和预测效果,选择使用长短期记忆神经网络模型和门控循环单元神经网络模型对科创创业50指数进行预测,在对原本的数据进行处理之后,通过改变预测模型的超参数,对预测模型的神经网络层数和神经元个数进行优化,得到用于集成学习框架的基学习器模型。在对科创创业50指数预测模型的优化上,由于集成学习框架在分类问题中的良好表现,因此该文结合集成学习框架,对经过参数调优之后的神经网络模型进行改进,构建了LSTM-Adaboost模型、GRU-Adaboost模型、LSTM-Bagging模型、GRU-Bagging模型四种组合模型对科创创业50指数进行预测,并比较和分析了四种改进模型的预测性能,发现GRU-Adaboost模型的预测性能是最好的。该文通过实证研究表明,在对科创创业50指数的预测过程中,门控循环单元神经网络模型比长短期记忆神经网络模型更有效,并且结合集成学习框架的GRU-Adaboost模型对科创创业50指数的预测有了相当的提升效果,有良好的应用前景。