股票在我国市场经济中发挥着重要作用,它是一个受多种因素影响的复杂非线性动态系统,成为了学者们长期以来持续研究的热点课题。本文选取中国平安股票数据进行研究,通过对股票数据进行特征分析发现其具有偏峰厚尾、非正态等特点,分位数回归能够很好地克服数据的尖峰厚尾以及结构突变等问题。但是对于小样本问题,传统的分位数回归在进行参数估计时计算上存在很多不足,将贝叶斯统计方法与分位数回归相结合,引入非对称拉普拉斯分布作为误差分布,这一模型在一定程度上弥补了分位数回归的不足。由于股票数据受到影响因素较多,以股票收盘价为因变量,选取股票开盘价、最高价、最低价、成交量、成交额、涨跌额、涨跌幅和换手率等八个变量作为影响股票收盘价的因素。首先对变量间相关性进行分析,发现个别变量之间存在着多重共线性,为了解决数据之间的多重共线性问题,一方面利用主成分分析法来消除数据的冗余,建立股票收盘价与主成分的贝叶斯分位数回归模型;另一方面,结合自适应LASSO变量惩罚作用,通过对不同自变量给予不同惩罚系数,构建股票收盘价与各影响变量的贝叶斯自适应LASSO分位数回归模型。运用两种模型探究各因素对收盘价的影响,从分析结果来看,对于影响股价的历史价格驱动能力的三个指标开盘价、最高价和最低价来说,开盘价对股票收盘价影响最小,最高价和最低价对股价的影响呈正相关;对于影响市场驱动能力的三个指标成交量、成交额和换手率来看,成交量和换手率股价影响较小;对于影响收盘价格波动能力的两个指标涨跌幅和涨跌额,涨跌额相较涨跌额对股价影响很小。最后基于主成分分析的贝叶斯分位数回归模型与贝叶斯自适应LASSO分位数回归模型对股票收盘价进行短期预测,并将预测结果与传统时间序列模型预测结果进行对比,结果发现贝叶斯自适应LASSO分位数回归模型结果优于其他两种模型。应用贝叶斯分位数回归模型来分析股票数据,不仅能够反映出不同分位点处各因素对股票收盘价的影响程度,而且对股票收盘价进行短期预测效果也比较好,证明了贝叶斯分位数模型在金融时间序列数据中的可行性,能够更好地指导机构与个人的股票交易。