进入二十一世纪以来，随着经济的快速发展，广大人民的投资理财方式相比之前有了很大的改变，不仅限于像存款以及债券这种保守型投资，更多人开始参与到股票投资之中，股票投资也在中国掀起了一股热潮。虽然股票投资在各类投资中具有较高的收益，但是高收益也就意味着伴随着较高的投资风险，因此股票投资分析就称为了股票投资中十分重要的一个组成部分，在整个投资过程中也占有极其重要的地位。在股市成立之初，由于制度以及管理者存在的很多问题，导致股票市场的波动，急涨急跌的情况时有发生，现如今，随着制度和经济的不断发展和完善，股票市场日渐成熟。

正因为高收益与高风险并存的性质以及存在着一定的异常交易行为，股票价格的预测就尤为重要了。股票价格的变动受到很多因素的影响，在股票市场上，对于决策者来说，预测越准确，对于利润的获得以及规避高风险就越有利。对于监管机构来说，为了防止股票价格快速上涨或快速下跌从而引起一系列不好的影响，同时监测股票是否存在一定的异常交易和波动风险，得到准确的股票走势，能有效加强对股票市场的把控。因此对于股票价格预测的研究十分重要。

针对数据的预测一直以来都是研究的热点，经过了长时间的发展，产生了许多方法：

（1）传统统计的方法

对于已知数据的预测，在传统统计学方面也存在很多预测方法，比如统计学中的各种拟合和回归方法，也能解决简单的预测问题。而针对金融投资方面数据预测，经典的时间序列分析方法运用颇为广泛，在近几年时间内也有一定的创新。

2016年，孙先强在其文章^[6]中运用到了自回归求和移动平均（ARIMA）模型，其在最小均方误差原理下预测，同时结合了相应的外部数据，利用logistic回归模型做出了二元预测，得到了较好的预测结果，体现出ARIMA模型在短期预测方面较为准确。而李亚楠在研究股票波动性时^[7]中提出了相应的广义自回归条件异方差模型(GARCH)模型，增加考虑了异方差函数的p阶自相关性，其在ARCH模型的基础上提高了模型整体的准确性，有效处理了时间序列数据中存在的条件异方差性和非对称性的情况，能够有效地拟合和预测长期的记忆性的函数。

（2）机器学习的方法

基于时间序列分析的传统统计预测方法是一种十分经典的预测方式，而近几年一些智能算法也应用于数据预测之中。首先马天平和吴卫星在研究金融期权波动率的预测过程中^[8]，依次引入了SVM 机器学习、KNN 聚类、GBDT 优化过程完成机器学习建模，一步步提高预测精准率。而姚小强在研究金融时间序列数据预测^[8]运用到了循环神经网络模型（LSTM），该模型对于蕴含多尺度特征的问题能很好地处理，应用树的结构同样有利于对复杂的多尺度特征进行提取挖掘，从而提高模型分类预测的精确性，但是该模型预测结果准确程度取决于指标的选取，仍存在一定缺陷。

虽然现有研究对于各种数据都存在着不少的预测方法，但是很多方法都存在着不足之处，因此对数据预测进行研究有着十分重要的意义，并将其运用到股票预测中，有着很重要的现实意义。

2. 研究的基本内容与方案

（1）研究的基本内容：