该研究通过系统性地将多种人工神经网络架构应用于全球不同市场的股指长期预测，核心探讨了在一个市场指数上训练的模型，在未经任何微调的情况下，直接用于预测另一个市场指数的可行性，即“跨指数训练”的有效性。研究结果表明，这种跨市场预测的准确性与在同一指数上训练的模型相比，在可接受的误差范围内并无显著劣势，甚至在部分情况下表现更优，这主要得益于跨训练可能带来的减轻过拟合效应。这一发现为尤金·法玛提出的有效市场假说提供了来自机器学习领域的间接支持证据，暗示全球市场在长期行为中存在由信息驱动的共同模式，使得从一个市场学习到的模式能够泛化至其他市场。对于量化策略研究员而言，此项研究的价值在于揭示了利用跨市场信息构建泛化能力更强的预测模型的可能性，并提示在策略开发中，可考虑将规模较大或更具代表性的市场指数作为训练集，以提升模型对较小或特定市场走势的预测稳健性，尤其是在不苛求极致精度而更注重策略泛化能力的应用场景下。