喻永生，谢天异丹，刘 畅,郭靖雯,张卫东

(1. 西南科技大学 计算机科学与技术学院，四川 绵阳 621010；2.西南科技大学 土木工程与建筑学院，四川 绵阳 621010；3. 西南科技大学 经济与管理学院，四川 绵阳 621010)

0 引言

股票市场已成为全球经济的一部分，如果能准确地预测股票市场的行为趋势，其高额的利益回报将具有巨大的吸引力。在早期的股票价格时间序列预测中，主要基于传统的统计学方法，如移动平均线(Moving Average,MA)[1]、自回归滑动平均模型[2]等。然而这类传统方法的性能受到了股票价格时间序列数据非线性性质的制约，其较强的非平稳性和潜在的周期性不能通过线性拟合得到充分体现。随着计算智能技术的发展，人工神经网络(Artificial Neural Network,ANN)[3]、支持向量机[4]和隐马尔可夫模型等技术也在股票价格时间序列预测领域开始得到尝试和应用。

隐马尔可夫模型(Hidden Markov Model, HMM)是分析和预测时间序列数据的常用工具。1994年，HMM模型首次被WEIGEND A S[5]应用在分析股票市场走势过程中。国内朱嘉瑜[6]基于ANN技术，结合粒子群优化算法和HMM，得到较传统模型效果更好的APHMM组合模型。HASSAN M R[7]利用航空公司股票数据训练HMM模型进行预测，模型达到近似ANN的效果，但没有解释模型隐状态含义。之后HASSAN M R 和NATH B[8]提出结合HMM、ANN和遗传算法的模型，预测效果接近自回归积分滑动平均模型，但仍存在直接指定隐状态数目的问题。LIEW C C和SIU T K[9]提出了将离散HMM模型转换为混合高斯模型，他们在解决期权定价问题时，将参数和状态运用HMM联系起来，同时也指出波动性和噪声干扰等不确定因素对其模型预测的影响。……