金融股票预测可以理解为:通过严谨的科学方法对股票历史数据进行分析后,能有效的预测股票市场最新走向。股票预测基于假定潜在的规律以过往数据为载体,其意图为企业或个人财务风险投资提供有效对策,使投资方获得最大利益的同时,风险无限接近于零。对股票的正确预测,能给投资者、公司带来可观的收益,从而使得股票预测成为现阶段研究的热点。与此同时,机器学习作为数据驱动的方法,在文本处理、图像分析等问题研究取得突破性成就,巧妙的利用机器学习算法对金融股票进行预测正是本文研究的课题。本文的主要工作如下:(1)对有关股票预测的国内外文献从三个不同的角度进行分类、总结后,提炼出本文主要工作的创新点:分类预测和集成学习,并绘制支撑该灵感的理论依据图。分别介绍在股票研究中较热门的6个机器学习和深度学习算法。对金融股票预测问题进行形式化定义后,对金融股票相关术语进行了解释。最后从分类和回归预测两方面阐述常用的综合性评估指标。(2)使用模拟开发者模式的爬虫技术从雪球网上获取交易相关数据,概括了本文所使用的12个著名的技术指标和计算公式。此外,现有的大量研究已表明深度学习模型在股票预测方面的优越性。本文首先对深度学习优化器的设计原理和改进点进行概述,从增加动量、自适应调整学习率到两者的混合应用。构建了深度学习模型ANN神经网络,然后选取17个输入特征且在6个数据集上比较了5个优化算法。通过在选定的数据集上开展实验,证明了在非批量计算梯度的情况下,简化的Adam优化算法效果更好,这为未来的研究工作奠定实验基础。(3)本文在充分阅读相关文献后,对K-means聚类和集成学习算法在金融股票预测中的研究进行归纳、总结,在基础的两阶段混合模型框架上进行有效的改进,提出了改进的两阶段混合模型。在金融股票预测问题上,多数的现有研究成果表明,根据特征的异质性进行分类预测是一种可行的研究方案。根据这一原理,本文将K-means聚类算法应用于两阶段混合基础模型的第二阶段输入特征中,提出了C-SVR-SVR、C-SVR-RF算法。集成学习通过将弱算法重组达到增强的效果,本文有效的利用这一优点,在基础两阶段混合模型的第二阶段加入Bagging集成学习算法,提出了E-SVR&RF模型。为了验证所提算法的有效性,在四支股票数据集上进行实验分析,证明了C-SVR-SVR、C-SVR-RF模型在特定的股票数据集上的有效性。而E-SVR&RF模型能提高四支股票预测的准确率。单独将K-means聚类或Bagging集成学习算法应用于两阶段混合模型的第二阶段中显然是有效的。本文探索性的将K-means聚类和Bagging集成学习算法相结合,加入基础模型的第二阶段中,提出了C-E-SVR&RF算法。采用递进实验的方式证明了C-E-SVR&RF算法能进一步提高股票预测的准确率,尤其是提前预测更远日期的收盘价。