Las fluctuaciones del índice bursátil se caracterizan por un alto ruido y su predicción precisa es sumamente desafiante. Para abordar este desafío, este estudio propone un modelo de memoria a corto y largo plazo bidireccional espacial-temporal (STBL), que incorpora mecanismos de atención espaciotemporales. El modelo mejora el análisis de las dependencias temporales entre los datos al introducir redes de atención de gráficos con nodos vecinos de múltiples saltos, al tiempo que incorpora el mecanismo de atención temporal de la memoria a corto y largo plazo (LSTM) para abordar de manera efectiva las posibles interdependencias en la estructura de los datos. Además, al asignar diferentes pesos de aprendizaje a diferentes nodos vecinos, el modelo puede integrar mejor la correlación entre las características de los nodos. Para verificar la precisión del modelo propuesto, este estudio utilizó los precios de cierre del Índice Hang Seng de Hong Kong (HSI) desde el 31 de diciembre de 1986 hasta el 31 de diciembre de 2023 para el análisis. Al compararlo con otros nueve modelos de pronóstico, los resultados experimentales muestran que el modelo STBL logra predicciones más precisas de los precios de cierre para pronósticos a corto plazo, mediano plazo y largo plazo del índice bursátil.