越来越多的人尝试从海量数据中挖掘出隐藏的、有价值的信息,但是股票市场受多种因素影响,因此股价变化无常,呈现出非线性、非平稳的走势。如何准确预测股价走势、股价波动范围以及选择合适的预测方法成为投资领域亟待解决的研究热点。因此,本文的研究重点是基于海量数据的股价预测研究与股票投资策略研究。主要研究内容包括:(1)通过量化股票影响因素,本文提出基于优化广义加性模型的股价预测方法,采用傅里叶级数与logistics阻滞增长模型量化广义加性模型中的预测函数,将股票预测中的非线性问题转变为线性问题,对国际、国内上市公司的股票收盘价格进行时间序列预测。通过反拟合算法和样条平滑算法训练模型,结合变点预测方法与OLS回归算法得到平滑误差最小化、拟合效果更佳的股价演化趋势线,使得股价预测效果更优。在大量实证数据分析中:1)发现了“末尾效应”、“黑色星期四”以及“从小到大预测”现象;2)基于优化GAM模型的股价预测准确率比RBN、SVM、SSA-SVM等模型的股价预测准确率至少提高11%,为股价走势的预测提供了更有力的技术支撑。(2)为了帮助投资者判断股票市场的波动趋势,本文提出基于优化决策树模型的S-DT投资策略。通过协同因子、信息熵和灰色关联规则等方法从若干指标中选取与股价趋势密切相关的股指数据作为决策树模型的输入特征,并结合决策树模型训练历史数据。经过大量实证数据分析,基于S-DT投资策略的股价趋势预测正确率最高达到75.5%,比GRA-DT、ANN、D-M等模型的股价趋势预测准确率提高了3.9%,为股民提供了更可靠的股票投资策略。通过多种因素量化股价预测模型,并对预测模型进行优化,从而提高股价预测准确率;通过选取与股价趋势密切相关的若干指标来优化决策树模型,提出股票投资策略。因此,投资者不仅可将股价预测模型作为预测股价波动范围的参考依据,新手投资者也可根据股票投资策略预测股价波动趋势,从而帮助投资者保值与增值。