随着经济发展,人们开始关注股票市场,由于股票市场的高度复杂性以及影响因素众多给股市的预测带来很大的困难。股市的预测也一直被专家学学者研究,预测精度高的模型能更好的指导投资者减少投资的风险。本文主要针对股市预测模型中的尖峰点难以预测导致模型准确度低的问题,从指标背离的角度对股市中的异常突变点进行分析,以支持向量机模型作为基础预测模型,对股市波动预测进行研究。本文开展的研究如下：(1)由于股票价格波动具有较强的突变性,导致股票价格走势难以预测。提出基于离群特征模式的股市波动预测模型(SOFSVM),该算法首先利用马尔科夫毯选取目标结点的局部网络结构,以屏蔽其他结点对目标结点的影响；进而,对目标结点的指标进行分析,提取异于一般行为的离群特征模式；利用滑动窗口捕捉离群特征,将离群特征模式作为先验知识加入原SVM模型,预测尖峰点并平滑尖峰点对于预测结果的影响,提高预测模型的稳健性。(2)针对SOFSVM算法对于背离之后股价波动的方向预测效果不理想的情况,提出基于特征能量的股市波动预测模式(EOF-SVM)。EOF-SVM算法根据多个指标背离及特殊指标形态将指标数据与股价建立贝叶斯网络,通过贝叶斯网络判断股市异常波动的概率,对股市的风险进行分析。通过指标与股价走势的相关程度定义指标能量,由于各个指标对股价的影响程度不同,通过加权的方式将各个指标组合在一起形成总能量,用来衡量对后期股票走势的影响。通过板块数据和上证指数数据分别对两个算法进行对比分析,实验表明根据股票与指标两个方面对目标结点的影响建立的预测模型相比于单一的预测模型有更好的效果,在特征选择方面对比与基本的特征选择算法有更高的预测精度。