用传统的时间序列分析方法处理简单线性问题取得了较好的效果,但对股票这样的复杂非线性系统就显得力不从心。人工神经网络的出现给非线性时间序列分析提供了新的有效途径,但仍存在一些缺陷。针对神经网络在股票预测中遇到的问题,本课题将粗糙集理论引入预测模型并展开深入研究。(1)利用粗糙集理论对股票数据进行预处理,从大量原始数据中提取出核心知识,提高分析效率。条件信息熵离散化方法的计算复杂度很高,本课题对原算法离散点的选择和计算过程进行改进,得到一种启发示信息熵离散化方法,并利用该方法对股票数据进行离散化处理。(2)将遗传算法应用于最小约简的寻找,针对基本遗传算法存在的弱点,对其各遗传因子进行改进。采用基于改进遗传算法的属性约简方法对股票数据进行约简,从而得到更优的约简结果。(3)径向基函数(RBF)神经网络的学习算法各有优缺点,在实际应用中,很难直接确定哪种算法更为理想。本课题通过实验,对RBF网络三种常用算法的性能进行分析比较,来确定适合股票预测的神经网络模型。(4)提出股票拐点定义及分类(三类拐点),设定拐点参数,建立相应决策支持模型,选取适当级别的股票数据,对股票走势拐点进行预测,为中小投资者进行实际操作提供决策支持。最后,通过大量实验来证明基于粗糙集和RBF网络集成的股票时间序列分析方法的准确性,以及在解决网络结构复杂、学习速度缓慢等问题中的有效性。