大数据时代,股市高频数据几乎包含了市场中的所有信息,基于高频数据的分析和预测必将更具价值.目前股市研究的数据多集中于日数据,缺乏对高频数据的研究.为了加深对高频数据的研究和数据局部信息的挖掘,提出D近邻(Dependency Nearest Neighbor,DNN)加权算法及其参数确定方法.然后应用DNN加权算法改进ε孪生支持向量回归机(Epsilon Twin Support Vector Re gression,ε-TSVR),并给出了改进模型对偶问题的推导.对上证A股的日数据和分钟数据的实证结果显示,改进的模型对样本点局部信息的提取十分有效.本文的主要工作包括以下三个部分:1.D近邻加权算法的提出.DNN算法是根据每个样本在样本空间中所处位置来计算近邻点.本文基于DNN算法提出DNN加权算法,该加权算法度量了样本间的距离和样本点密集度信息,可以更好地挖掘并保留样本点的局部特征.接着利用网格搜索法确定DNN加权算法的参数.然后将DNN加权算法应用于权重支持向量回归机(Weighted Support Vector Regression,WSVR)中.UCI公用数据集和股票数据的实验结果显示所提方法具有较高的拟合精度,实证结果验证了DNN加权算法作为权重计算方法的可行性与有效性.2.基于DNN加权算法对ε-TSVR模型的改进,改进模型简记为DNNW-εTSVR.为了高效处理高频数据,提出在ε-TSVR模型中加入DNN加权算法,并基于网格搜索法确定DNN的最优参数以确定最优DR(Dependent Region,DR)域.给出改进模型的对偶优化问题的推导过程,并应用逐次超松弛迭代算法(Succesive Over Relaxation,SOR)对改进模型的对偶问题进行求解.3.完成了基于改进的DNNW-εTSVR在中国上证股指中的预测研究.收集中国上证A股25只股票的日数据、60分钟数据和5分钟数据的价格指标并计算其技术指标,对下一个周期的收盘价进行预测.实证结果显示,改进的模型具有较好的预测和泛化性能,特别是对于分钟数据,效果明显.说明改进模型较好地提取和保留了样本局部特征,可以获得良好的预测效果.本文在改进D近邻加权算法和构建DNNW-εTSVR模型的基础上,利用多种数据样本对金融市场的波动性进行非线性分析和预测,取得了较好的效果。