股票市场不仅能让投资者从中获利,还能够体现宏观经济的信息,所以无数的投资者和研究学者都在不断探索如何更加精准地捕捉股票序列中蕴含的信息,用来对股票序列进行预测,无数学者的研究证明了将机器学习模型应用到股票市场上相比传统的统计学方法能够获得更高的精确率,因此机器学习模型已然成为股票市场领域的重要研究工具。中国股票序列波动较大,预测也相对比较困难。前人对股票序列的预测做过很多工作,本论文选择上证50指数作为目标变量,在前人研究的基础上创新地使用随机分布嵌入（RDE）方法进行预测,RDE方法适用于处理极高维短期数据,不同于以往的研究,本文实证研究中只利用股票价格序列数据,而不需要场外信息。本文从国泰安数据库获取2018和2019年两年共487个交易日的股票价格序列数据,对所得数据进行预处理,删除缺失率高的变量,对剩余的股票序列填补空缺值,再进行标准化,得到3319个处理后的股票序列数据。首先,本文在实证中通过步长为1的滚动预测方式进行多步预测以及确定RMSE、MSE、MAE作为模型评价指标;然后,基于3319个处理后的股票序列通过RDE框架结合高斯过程模型得到上证50指数预测序列。类似地,基于样本时间周期内上证50指数的67支成分股通过SVM模型对上证50指数进行预测,分析比较模型拟合效果。从实证结果能够得出,在本文的研究环境下通过RDE框架下结合高斯过程模型得到的上证指数预测序列拟合效果明显优于通过SVM方法得到的指数预测序列。再然后对RDE预测股票序列方法做进一步探索,一是通过RDE方法预测两支个股,找出对目标变量预测起作用最大的十支股票,挖掘股票间相关性;二是基于得到的上证50指数预测序列通过EG策略进行投资,最终的累计收益超过基准策略（买入持有策略）,进一步证明了RDE方法在股票市场上是有效的。通过实证过程可以看出,面对高维短期数据比如本文研究中的3319个变量、487个日交易数据,RDE方法仍然能够游刃有余地进行处理,此时一般其他的降维方法和机器学习模型都会失灵。最后,对前文的研究工作进行总结,并提出可能的改进方向:一、使用其他机器学习模型替换掉本文实证研究中的高斯过程模型以期在性能和时效上有更好的效果。二、尝试在RDE框架下使用混合函数代替单一函数。三、将挖掘与目标变量相关性强的其他股票部分做成一个完整的可视化系统。