本文主要探讨了两个问题,一个是金融市场价格趋势是否可预测的问题,另一个是如何建立预测模型问题。事实上,金融市场价格趋势是否可预测这个理论问题至今没有得到彻底的解决,而第二个探讨的问题其实也是对第一个理论问题的一种研究手段。因此本文主要内容放在对第二个问题的探讨上,寻找一个稳健的金融市场价格趋势预测模型。基于神经网络建立的非线性预测模型,虽然已经有很广泛的普遍性,但是如何解决神经网络预测模型的输入和输出依然是一个值得深入研究的课题。为此本文提出了一种从历史价格序列中提取模型输入特征向量的新方法——阴阳波动率偏差来建立神经网络预测模型,对模型的输出问题上则探讨了多个输出与单个输出的优劣。本文首先回顾关于市场预测研究的历史进程和相关理论成果。然后对建立预测模型时需要用到的数学模型——前馈式神经网络做了算法介绍。在第三章对本文建立预测模型的主要创新理论做出详细描述,即模型的输入方法——阴阳波动率的相关理论与计算方法,包括计算小波阴阳波动率时需要用到的小波分析数学算法。阴阳波动率是对传统价格波动率赋予方向变化的一种创新扩展,相比传统波动率其不仅蕴含市场价格波动信息,而且包含市场价格在不同尺度空间下的预期偏差——趋势信息,因此阴阳波动率对比原始历史价格作为预测模型输入向量具有更丰富的价格变化信息,对价格趋势预测有明显的优势。本文选择澳大利亚股指作为实验数据,利用3层前馈式神经网络建立5个预测模型,对澳大利亚股指最高价、最低价和收盘价的短期趋势分别做出预测。最后发现新的价格波动率计算方法——阴阳波动率作为神经网络预测模型输入特征向量确实具有更明显的优势。而小波阴阳波动率又比简单移动平均阴阳波动率含有对预测模型更有效的特征信息。同时通过多尺度空间阴阳波动率预测模型,发现不同尺度空间下的阴阳波动率含有不同的价格趋势信息。本文最后对于预测模型做了扩展性的谈论,并且利用100个前馈式神经网络建立神经网络概率集团,得出每个价格趋势预测结果的分布,相信这种的方法比单一的神经网络预测结果更可靠和更真实。