针对金融数据的分析和研究是金融领域研究的重要内容,其旨在通过分析金融数据的变化探寻其背后的内在规律,并建立相关可靠的模型对金融市场进行分析预测以降低市场风险,为金融市场的参与者提供有效的交易信息。由于金融市场的复杂性,现有方法难以获得较为准确的预测结果。本文以股票价格的波动率为基础,建立隐马尔可夫模型(HMM),以此对股票价格以及股票的涨跌做出预测。本文的主要工作如下:1)提出了一种基于波动率的离散型HMM预测方法,通过将股票波动率序列离散化,解决了传统HMM中当输入的观测序列为连续值时其观测值概率密度函数难以确定的问题。在预测阶段,与之前的方法不同,本文结合HMM的状态转移矩阵和观测值概率分布矩阵,通过加权的方式计算出预测值的概率分布,从而给出更为准确的预测结果。对比现有的预测方法,本文提出的预测方法不仅使得预测结果的精度提高,而且使得预测结果更具有解释性和依据性。2)提出了一种基于涨跌模式的HMM预测方法,该方法将HMM在语音识别领域的应用引入到股票涨跌的预测中。针对传统预测方法对股票未来一日涨跌预测的准确率不高的问题,该方法将股票波动率序列划分为若干个子序列,接着根据波动率大小来标记正负样本,并采用聚类算法提取核心正负样本,减少训练样本的数量。然后对每一个核心样本构建一个HMM并根据标记将其归为上涨模型或下跌模型,最后通过输入的观测序列在两个模型中产生的概率大小来预测股票的涨跌。实验结果表明该方法能够提高股票涨跌预测的准确率。本文提出的两种预测方法不仅对现有预测方法进行了改进,同时也提高了对股票价格和股票涨跌预测的准确率。实验结果表明本文提出的方法可以为投资者在买卖股票时提供有效的交易信息,做出正确的决策,获得更多的经济收益。通过将HMM在语音识别领域的应用引入到金融数据的分析当中,也为后面的工作开启了新的思路。在未来的工作中,我们将着重于HMM的参数优化以及股票特征因子的选取,从而进一步提高预测的准确率。