近年来,在全球重视被动投资的大背景下,指数化投资已经成为资产管理领域重要的发展趋势。投资者希望通过股指交易对冲风险或获利,监管者希望市场平稳运行,这些都需要对股市指数走势有正确的判断。沪深300指数作为中国股市大盘指数中最热门的追踪指数之一,分析和预测其发展趋势有利于政府提前了解市场发展状况,以及时规避重大风险,促进市场健康发展,并能够为投资者判断指数型产品的买卖时机提供辅助。股票预测领域中以往常用的预测模型有人工神经网络（ANN）、SVM和随机森林等。随着深度学习的发展,深度学习模型如CNN、LSTM等,在计算机视觉和自然语言处理等方面展现出很大的优势,同时也逐步应用到金融时间序列的研究中。同时由于自动提取特征的算法的出现,最近的研究者越来越倾向于使用深度学习模型对股票市场进行研究。然而无论是以往常用的金融预测模型还是现在的深度学习模型,对它们的研究大多仅使用了市场中的技术指标或历史价格数据,而没有考虑宏观经济环境以及其他股票市场对A股市场的影响,忽略了那些有可能为股指预测性能提升带来帮助的信息来源。本文选择多种来源的指标作为预测股指的初始特征,包括股指本身的基本特征、技术指标、A股市场指标、经济指标、大宗商品价格和世界其他主要股指及其期货的收益率,对沪深300指数的次日涨跌情况进行预测。为了验证扩充特征集的有效性,采用3种机器学习模型,分别是Logistic回归、多层感知机和ANN,对股指方向进行预测。在使用机器学习模型之前,对原始特征引入3种降维技术,以便合理地处理数据,从原始特征中提取出更好的特征作为模型的输入。并且比较不同降维技术对模型预测结果的影响,以找到最合适的降维方法。此外,为了衡量本文所提出的利用降维技术和机器学习模型预测股指方向的有效性,将CNN和LSTM作为基准模型,CNN模型聚合了本文使用的多个信息源,以便自动提取特征来预测股指方向,LSTM模型利用了沪深300指数过去15天的价量特征数据,以根据股指过去一个时间段内的表现对其下一交易日的涨跌方向进行预测。将降维技术与3种机器学习模型组合的预测结果与CNN模型和LSTM模型的预测结果进行对比,发现ANN和多层感知机的预测性能优于Logistic回归。使用3种机器学习模型的预测方法的预测性能都优于使用CNN或LSTM进行预测。CNN模型并没有表现出比机器学习模型更好的预测能力,其原因可能是特征之间关联性不强,不具有明显的空间关系。LSTM模型对股指价格的预测结果较好,但其预测股指涨跌方向的能力较差。此外,通过与综述文献中的预测结果进行比较,发现本文中将降维技术与机器学习模型结合取得的预测效果较为理想。因此,本文提出的“通过利用多种信息来源、扩充特征集来提升股指预测效果”的思想具有可行性。