在变化多端的股票市场中,若能掌握影响股票价格波动的主要因素以及影响方式,在股票投资前判断出股票价格的反转点,做到高抛低吸,那么投资者就能获得理想的投资回报,因此,股票价格反转点的预测和价格影响因素分析在投资决策中起着至关重要的作用。本文主要研究基于独立分量分析的股票价格反转点预测模型以及股票价格波动的影响因素分析模型,主要内容如下:(1)针对一些传统的股票价格反转点预测方法计算不准确、易陷入局部最小等问题,提出了一种结合ICA和SVM的股票价格反转点预测模型(ICA-SVM)。该模型利用ICA提取股票价格波动的结构特征并进行股票价格重建,使得股票价格反转特征凸显,弱化了其他干扰因素的影响,同时利用SVM实现股票价格反转点的预测。实证结果表明,ICA-SVM模型对股价变化幅度较小的银行股、震动幅度较大的创业板股、占市场份额较大的房地产股票都取得了较好的结果,其查全率、查准率及F_Measure与SVM模型比有所提高。(2)DICA能克服ICA分类性能上的不足,但计算复杂度高,GWO因其结构简单、参数少、收敛速度快被广泛应用于工程优化问题且取得了良好的效果。因此,本文提出了基于GWO-DICA-SVM的反转点预测模型,该模型用GWO代替DICA中的梯度下降算法,计算简单且一定程度上缓解了传统方法易陷入局部最小的问题。实证结果表明,GWO-DICA-SVM模型对银行股、创业板块股票以及房地产股价的反转点预测取得了很好的效果,其F_Measure比SVM模型提高了接近10%。(3)股票价格数据中往往含有噪声,除噪声是股票价格分析中关键的一环。用ICA检测和去除噪声,又考虑到各因素间往往存在较强的共线性,因此,提出了基于ICA与LASSO回归的股票价格影响因素分析模型。从实证结果可以看出,无论对房地产板块、新能源板块还是创业板块的股票,利用ICA-LASSO因素分析模型得到的回归方程,回归系数均有合理的解释,说明了该方法的有效性。