在金融市场波动和国际化资本流动日益加剧的情况下,预测的准确性和稳健性是金融决策的关键因素。长期以来,对股票价格指数的预测一直是一个活跃的研究领域。其中,有许多研究使用数据挖掘技术,包括人工神经网络。然而,大多数研究表明,人工神经网络在学习模式方面有一定的局限性,因为股票市场数据具有巨大的噪声和复杂的维数,其外部属性之间的相关性问题以及在长期预测时外部影响都会导致股价波动的加剧。人工神经网络具有卓越的学习能力,但它经常面临不一致和不可预测的噪声数据。此外,有时数据量太大,模式的学习可能无法很好地工作。此外,在长期预测中,特征的冗余和模型的复杂性导致预测模型无法准确提取价格和时间的变化关系。连续数据和大量数据的存在对从原始数据中提取有效信息造成严重问题。不相关或冗余特征的减少和变换可以缩短运行时间并产生普适的结果。为解决上述问题,本文利用基于注意力机制的双向长短期记忆神经网络（BiLSTM）对香港恒生指数收盘价进行有效性的实证检验。其中,空间注意力机制用于捕捉输入指标之间的相关性并为其赋予区别权重,时间注意力机制用于描述数据的时间相关性以解决长期预测中的时间依赖问题并为时间步赋予区别权重,BiLSTM神经网络用于拟合数据并构建预测模型。本文还希望通过比较其他火热的人工神经网络模型在预测市场价值中的性能,从而判断本文提出模型的有效性,因此比较了四种基于注意力机制的神经网络方法和六种基线方法。实验结果表明,本文提出的空间注意力机制可以达到比传统主成分分析降维方法更高的准确率,说明空间注意力机制可以捕捉特征向量之间的相关性,有效简化模型,提高模型的泛化性能。此外,本文提出的时间注意力机制可以在长时间预测中捕捉股价与时间的变化关系,因此在中长期预测中表现总是优于同等条件下没有添加时间注意力机制的模型。基于这两种注意力机制,BiLSTM不仅能够自适应地选择最相关的输入特征,而且能够恰当地捕捉时间序列的长期时间相关性。与当下流行的股票指数预测方法相比,基于双维度注意力机制的BiLSTM可以在短、中、长期预测中均实现更准确的股票指数收盘价预测。本文的结论为投资者提供了一种更加有效的投资策略,同时也为深入研究深度学习网络如何有效地用于股票市场分析和预测提供了实用的见解和潜在的有用方向。