股票预测是对证券市场中的股票进行分析和研究,主要包括对股票股价的预测、对股票未来涨跌波动趋势的判断等。计算机技术的快速发展,使得机器学习、神经网络、数据挖掘等研究方法被越来越多地应用在股票预测当中。本文重点研究了通过纹理图像特征提取方法和SVM对股票进行预测和分析。股票的走势图是股票涨跌波动的重要判断途径之一,能够很好地反映一只股票在当前市场环境下的波动情况。股票的走势图具有图像局部变化明显、图像颜色表示意义简洁明了、图像内容简单等特点。所以论文首先采用纹理图像特征提取分类方法LRPBP实现了对股票走势图的分类,接着改进LRPBP中的相似度度量方法,并采用改进后的LRPBP设计了股票走势图的分类预测方法,相关实验结果证明了该方法的有效性。多尺度小波支持向量机(Wavelet Support Vector Machine,WSVM)能够很好地处理非线性数据,并且比传统的神经网络需要较少的参数,在有限的数据训练中能够取得更好的效果。论文通过构造WSVM对股票交易历史数据进行训练,并预测未来数日的股价。通过与BP神经网络、SVM的股票预测方法的对比实验,验证了多尺度WSVM具有更高的准确率和更低的误差。从而证明了多尺度WSVM在股票预测中具有良好的效果,预测的股价值也更具可信度。最后结合对股票走势图预测和股价预测的结果,论文提出了一种新的综合股票预测框架。该框架通过在同一时间范围下,使用预测得到的走势图对预测的股价曲线进行指导,从而对预测结果进行判断,最终得到更优的预测结果。实验结果证明,该方法具有较好的适用性,通过对预测结果进行综合判断,能够更好地避免预测失败的情况发生,从而提高了预测的准确性。