构建高精度股市指数预测模型进而设计高效的择时策略是量化投资领域的研究热点.文章在股市指数建模过程中引入自适应噪声完备集合经验模态分解(CEEMDAN),并结合长短记忆网络(LSTM)对复杂序列中长期依赖关系高效的建模能力,提出一种指数预测建模方法C-LSTM.首先,运用CEEMDAN对指数进行分解与重构,获得其高、低频分量及趋势项;然后,利用LSTM分别对各分量进行预测建模,进而加和集成各分量预测值获得指数的整体预测值,与现有主流预测方法的对比实验表明C-LSTM具有更低的预测误差和滞后性;最后,构建基于C-LSTM预测的指数择时策略,并在沪深300指数上将其与均线择时、SVR择时进行对比实验.结果表明该策略凭借对指数的高精度预测大幅提升了择时信号的准确度.整体表现显著超越对照策略.