金融预测是金融数据挖掘的一个重要研究方向。金融时间序列除了具有非线性、非平稳、动态的一般常见的特征外,还具有其它一些特征,例如高噪音、非正态、尖峰厚尾等。因此,金融预测也就更有挑战性,同时有着广阔的应用价值和市场前景。本文重点研究了模糊修正模型和基于聚类分析和神经网络的混合模型在金融预测领域中的应用。由于传统的模糊逻辑模型自身的局限性,在对金融时间序列趋势的连续预测应用中,趋势准确率偏低,连续预测值波动小(体现不出未来的市场走向),对此,本文提出了模糊修正的方法,试验结果表明,运用模糊修正模型进行金融预测是可行的和有效的;在基于聚类分析和神经网络的混合模型中,研究了针对金融时间序列的子序列特征提取聚类方法,并引入到BP神经网络训练中,消除了不相关历史模式对网络训练的影响,实验预测结果明显优于传统的BP神经网络。本文两个创新的预测模型是基于同样的实验数据,因此还对这两个预测模型的实验结果进行了比较,并对各自特点和适用性进行分析。此外,本文对预测模型中一些参数的选择方法进行了研究,提出了简单有效的选择方法。