随着信息技术的进一步延伸和发展,各行业领域的数据出现指数级增长。如何有效利用数据来寻求人类生活和社会的运行规律,并及时调控和止损,已成为当下研究热点,其中不乏金融数据的预测研究。由于金融市场是一个复杂的、非平稳和非线性的系统,因此稳定金融市场、促进社会经济健康发展一直是政府及金融监管部门的使命和责任。股票预测作为量化金融的研究热点,其理论和应用一直在丰富和完善。一个健全的股票预测系统可以为投资者提供可行性建议,促进资本的良性循环,同也能助力政府稳固市场经济的发展。本文基于股票的日K线数据,多方面挖掘股票信息,并对未来的股票价格进行预测,取得了良好的效果。在数据准备上,本文考虑历史收盘价时序数据和K线交易数据;在模型构建上本文集成统计模型、机器学习模型以及神经网络;在模型评估上引入多项指标,并结合K线图理论进行趋势和拐点分析。首先,本文利用信号处理技术—奇异谱分析法（SSA）对时间序列进行降噪处理,以保留其主要信息,然后采用统计模型自回归移动平均（ARIMA）和多种神经网络分别预测未来股票的收盘价;另一方面,本文选取机器学习中的树模-梯度提升回归树（GBRT）实现非线性回归预测,从而充分利用了股票数据蕴含的信息;接下来,根据集成学习模型堆叠的思想,选取不同于前面的神经网络极限学习机作为集成策略的元预测器,结合单个模型的预测结果,最终输出集成后的预测值,有效的利用了各个模型的优势同时弥补了模型彼此之间的不足;然后验证模型的精确性和稳定性,引入的误差指标包括平均绝对误差（MAE）、根号均方误差（RMSE）、平均绝对百分比误差（MAPE）以及泰尔不等式系数（TIC）;接下来,衡量模型有效性,本文选取模型有效测度量化实现模型有效性的对比分析,然后在集成方法上对比本文的极限学习机（ELM）集成策略和简单组合平均在各项误差上的差异;针对上述验证分析,绘制趋势图、各项误差柱形图、真实值和实际值的散点图、误差波动曲线等来直观呈现本文集成模型的优势所在;然后,结合K线图绘制预测曲线,同时结合K线理论进行对比分析。本文的股票预测系统研究取得了如下结论:首先在各项误差对比中集成模型在各个大盘上均达到了最高的预测精度,其中,上证指数的精度提高效率最高,误差序列波动图中,ELM集成模型误差的波动范围最小,观察预测值和真实值之间的散点图时,其图形接近于一条通过原点的直线,根据误差的概率分布图,预测值的误差分布近似于正态分布,由此可知ELM集成模型拟合良好、精度高且稳定性好;此外,根据模型有效测度,集成模型均通过了 1阶和2阶有效性的检验;在集成策略的对比上,ELM集成模型的集成策略相较于一般的组合平均更具优势;结合K线图和K线分析,预测值在股票上涨时间段内,更容易接近K线图顶部,而在股票价格下跌的时间段内,更易靠近K线图的底部,在转折点处也具有很高的灵敏度。综上所述,本文认为,ELM集成预测系统突破了技术指标经验论断的局限性,同时弥补了单个模型自身固有的结构性缺陷,从多方面拟合股票信息并进行多角度分析的方法实现了股票预测系统预测性能的最大化,其创新性体现在:①时间序列模型中引入信号处理技术,过滤了高频信息,提升了预测精度;②引入的各类弱监督学习器能同时捕捉到股票信息中的线性和非线性成分;③集成学习方法使弱学习器优势互补,提高了容错性和稳定性;④结合K线图分析更全面的评估了大盘指数预测系统的性能。同时预测系统存在一些不足,如无法保证训练样本的独立性,不具备突发事件影响下的预测能力。总体上,本文提出的大盘预测系统兼具较高的预测精确性和较强的鲁棒性,能够为政府创造良好的投资金融环境提供建议和指导。