La predicción del índice de acciones juega un papel importante en la creación de estrategias de inversión más efectivas. Sin embargo, la predicción puede ser difícil debido a la fluctuación aleatoria de las series temporales financieras. En la búsqueda de una mejor predicción del índice de acciones, se propone en este documento un modelo de predicción híbrido, que contiene un tratamiento de datos de dos pasos, modelos de predicción dobles y optimización inteligente. En la etapa de tratamiento de datos, con el fin de llevar más información sobre el objetivo de predicción, se seleccionan variables explicativas multidimensionales mediante la prueba de causalidad de Granger, y para eliminar la redundancia de datos, se inserta la extracción de características con la ayuda del análisis de componentes principales; ambos pueden proporcionar un conjunto de datos de mayor calidad. Las redes neuronales de memoria a largo plazo bidireccionales y la red de unidades recurrentes bidireccionales, como modelos de predicción concurrentes, pueden mejorar no solo la precisión, sino también la robustez de los resultados. En la última etapa, el modelo propuesto integra la optimización de peso de la búsqueda del cuco de los dos resultados de predicción para aprovechar ambos. Para la prueba de rendimiento del modelo, se utilizan cuatro índices bursátiles globales principales. Los resultados experimentales muestran que nuestro modelo tiene un mejor desempeño que otros modelos de referencia, lo que indica el potencial del modelo propuesto para una amplia aplicación.