金融时间序列是金融市场波动与变化的外在表现形式,其中必定蕴藏了金融市场内在的客观规律。通过对时间序列的量化分析,人们能够挖掘出隐藏在背后的重要信息,进而为政府的风险管理以及策略制定等提供重要的理论支撑。同时,探索出金融监管与证券市场间的联系,有利于推动整个市场的稳定发展。金融时间序列具有海量的历史数据,原始数据预处理对于提高系统性能和模型泛化能力非常有效。但当前预测模型大多忽略了提取时间序列内在特征这一重要步骤,直接进行回归预测,造成了预测准确性的大幅降低。因此,本文以上证指数和纳斯达克指数这两个代表中国市场和国外市场的指数为目标,针对现有特征提取方法的不足,以保局投影算法为中心,构建混合模型,着重研究了基于特征提取算法的大盘指数预测方法。本文的主要研究工作和创新如下:(1)针对双向二维主成分分析算法在金融时间序列预测中存在的缺点,提出了横向2DPCA纵向2DLPP的双向子空间方法。与(2D)~2PCA相比,该方法结合了2DPCA和2DLPP的优点,提取金融时间序列的局部和全局特征。(2)针对一维线性特征提取算法以及双向二维主成分分析算法在金融时间序列中存在的不足,构建了双向二维保局投影((2D)~2LPP)结合径向基(RBF)神经网络的预测模型。该模型引入(2D)~2LPP算法来从历史数据和技术指标两个维度对金融数据进行特征提取,得到时间序列的双向特征矩阵,实现样本降维和特征提取的目的,并利用RBF神经网络进行回归预测,分析实际值与预测值间的误差。(3)经验模态分解(EEMD)与支持向量机(SVM)是金融时间序列预测的常用模型,深入研究了EEMD技术在证券指数时间序列分析中的作用。分析表明EEMD对时间序列去噪后得到的数据仍具有高维特性,直接将降噪后的数据做为支持向量机的输入,不仅增加了模型复杂度,更会影响预测准确性。因此在原有的EEMD-SVM模型上引入LPP算法对已去噪的时间序列进行特征提取,降低SVM输入数据的维度,构建EEMD-LPP-SVM模型金融时间序列预测模型。