El índice bursátil se utiliza activamente para la realización de ganancias mediante derivados y a través de la cobertura de activos; por lo tanto, la predicción del índice es importante para los participantes del mercado. A medida que la incertidumbre del mercado ha aumentado durante la pandemia de COVID-19 y con el rápido desarrollo de la ingeniería de datos, ha surgido una situación en la que se debe procesar una gran cantidad de información en intervalos de tiempo más finos. Abordando los problemas prevalentes de dificultad para manejar datos de series temporales multivariados de alta frecuencia debido a la multicolinealidad, problemas de recursos en hardware informático y el problema de desvanecimiento del gradiente debido al apilamiento de capas en la serie de redes neuronales recurrentes (RNN), se desarrolló un algoritmo novedoso en este estudio. Para la predicción del índice del mercado financiero con estos datos altamente complejos, el algoritmo combina ResNet y un mecanismo de atención variable por variable. Para verificar el rendimiento superior del modelo propuesto, se diseñaron y compararon modelos de RNN, memoria a corto plazo de largo plazo y ResNet18 con y sin el mecanismo de atención. Según los resultados, el modelo propuesto demostró un efecto sinérgico adecuado con los datos de series temporales y un excelente rendimiento en la clasificación, además de superar las limitaciones de la estructura de datos que exhiben los otros modelos. Al haber presentado con éxito un análisis de datos de series temporales multivariados de alta frecuencia, este estudio permite la toma de decisiones de inversión efectivas basadas en las señales del mercado.