行为金融和适应性市场假说(AMH)认为，金融市场具有可预测性，投资者能够通过技术分析、基本面分析等手段获取部分超额收益。为了对金融时间序列进行预测，学者们提出了两类预测方法，即传统计量分析方法和机器学习方法。由于金融时间序列中具有的高噪声、非平稳、非正态分布等特点，基于严格假设的传统计量模型很难对金融时间序列进行准确预测。与传统计量分析方法不同，机器学习方法能够对金融时间序列中的复杂结构，以及变量之间同期和跨期的相互关系进行探究，从而更为准确地预测金融时间序列。
　　基于这一背景，本文提出金融市场指数模式发现及预测的研究方法，并借助多种机器学习方法构建了FTTM框架(FMTS+TICC+TPA-LSTM+MultivariateLSTM-FCNs)。FTTM框架从金融时间序列的模式研究角度出发，提出“模式发现-点对点预测-模式分类和预测”的三阶段研究思路，并在此基础上，试图借助金融多元时间序列Toeplitz逆协方差聚类(Financial Multivariate Time Series Toeplitz Inverse Covariance-based Clustering，FMTS-TICC)方法，注意力机制-长短期记忆网络(TPA-LSTM)模型，以及多元长短期记忆-完全卷积网络模型(Multivariate LSTM-FCNs)，探究机器学习方法在金融时间序列中的长短期模式识别机制和识别能力，进而更准确地对金融时间序列的未来模式进行预测。
　　在金融时间序列的模式发现过程中，本文将Toeplitz逆协方差聚类机器学习方法与金融时间序列模式研究相结合，构建基于图形的金融时间序列模式发现模型，从而对金融时间序列中变量之间同期和跨期的依赖性进行深入探究，并更全面的挖掘金融时间序列的重复模式。研究结果发现，通过Toeplitz逆协方差聚类方法对金融时间序列的重复模式进行探究，本文能够更全面且客观地挖掘金融时间序列中的重复模式，更有效地解释基于Toeplitz逆协方差聚类方法发现的金融时间序列重复模式结果。
　　在金融时间序列的“点对点”预测和模式分类的过程中，本文借助注意力机制-长短期记忆网络模型和多元长短期记忆-完全卷积网络模型，结合了卷积神经网络(CNN)模型、循环神经网络(RNN)模型、自回归(AR)模型的优势，对金融时间序列中的长短期弱周期模式，以及线性和非线性结构并存的复杂特征进行了深入地研究，并在同时提取金融时间序列中短期特征和长期序列相关信息的基础上，更准确地对金融时间序列进行预测和分类。研究结果表明，在金融时间序列的“点对点”预测过程中，与典型的CNN模型、RNN模型等机器学习方法，以及ARIMA模型、VAR模型等传统计量模型相比，注意力机制-长短期记忆网络(TPA-LSTM)模型在金融时间序列的预测中更具有优势。此外，在金融时间序列的模式分类过程中，通过对金融时间序列中复杂结构和变量之间相互依赖性的学习，多元长短期记忆-完全卷积网络模型(Multivariate LSTM-FCNs)对金融时间序列的模式具有更高的分类准确度。
　　本文沿着“模式发现-点对点预测-模式分类和预测”的思路出发，借助FTTM框架对金融时间序列的未来趋势进行了预测。为了能够更全面地评估FTTM框架在金融时间序列中实际应用的效果，本文在对金融时间序列的未来趋势进行预测的基础上，提出看涨交易规则，构建简单的等比例投资组合。同时，本文还从平均收益、超额收益、市场择时能力三个方面出发，对基于FTTM框架构建的投资组合在金融市场中实际应用的可行性进行了全面地探究。研究结果表明，与基于市场构建的投资组合相比，基于FTTM框架构建的投资组合收益率更高、收益波动性更小、市场择时能力更强。因此，从理论和实践两个方面来看，将机器学习方法应用于股票指数模式预测和投资组合构建中具有一定的合理性和可行性。
　　综上所述，机器学习方法与金融时间序列的融合研究，不仅具有理论上的合理性，还具有实践上的可行性和有效性。通过机器学习方法对金融时间序列的模式进行分析和研究，不仅可以为金融时间序列的相关研究提供新的思路和方向，还可以为金融时间序列的模式发现研究提供新的方法和框架，从而推动金融时间序列模式研究的完善。