从股票交易市场诞生以来,为了提高投资收益率降低投资风险率,不断有人使用不同方式方法研究股票市场运行规律来预测其未来的波动规律。然而,由于股票市场的交易受到政治经济形势、金融政策和重大消息等诸多因素的影响,使得股价走势变幻莫测,想要准确预测股票交易价格波动规律是一项极其困难的工作。在股票交易市场这个极为复杂的交易系统中,它所具有的动荡性、非线性、高噪音以及高冗余等因素决定了股票交易价格波动规律预测的过程的复杂与困难程度,已经存在的预测方法很难建立有效而又精确的股票交易价格波动规律预测模型。人工智能领域发展至今,该领域已经有很多成熟的学习算法与模型可以解决高噪音、非线性等不利条件下的预测问题,如:随机森林算法、支持向量机、BP神经网络算法、RBF神经网络算法以及深度神经网络算法等。通过对已有的股票交易价格相关预测模型不足之处的仔细研究,本文针对股票交易价格波动规律的高噪音、高冗余、动荡性以及非线性等不利于预测模型建立的因素,提出了一个新的预测模型。具体做法如下:首先将传统的预测单个交易日股票交易价格涨幅的回归学习问题转换为预测一段时间区间内是否会出现某个交易日收盘价相对于参考交易日收盘价的涨幅超过用户预期涨幅值的二类分类学习问题。这样做可以减少原先回归学习问题中存在的噪音与冗余,缓解由股票交易价格交易频繁而导致的动荡性。然后,为进一步的减少含在作为原始特征的技术指标中的噪音,我们使用基于RBM结构的深度神经网络学习算法对原始特征向量进行特征提取,抽取原先特征中的内在信息,提升最终模型的计算精度。随后,基于核技术的支持向量机算法与BP神经网络算法被用来从两个不同的角度对股票交易价格波动规律预测问题进行学习。支持向量机算法对处理二类分类问题有较好的学习能力,随着核技术的引入,支持向量机具有了非线性学习能力,故被用来预测股票交易价格波动规律是较为合适的;为了进一步的学习股票交易价格波动规律中隐含的非线性知识,BP神经网络算法被用来构建预测模型,提升总体预测模型学习非线性关系的能力。最后为了将支持向量机与BP神经网络算法的优点相结合,Ada Boost提升算法被用来学习最终的股票交易价格波动规律预测模型。10重交叉验证与Leave-one-out交叉验证的相关实验证明本文提出的股票交易价格波动规律预测方法是有效的,精确度相当可观,投资者可以参考该方法的预测结果进行实际股票涨跌的投资判断。