针对股票价格点预测的复杂性和不确定性,传统统计分析方法的局限性,以及机器学习算法易出现过拟合等问题,本文提出了基于信息粒化和BP-Bagging、ARIMA-IGS-SVM的股价范围预测模型,通过对中信证券的量化分析,验证了模型的有效性。信息粒化技术可根据研究问题的需要挖掘有效的信息,使其能够代表原始数据的模糊特征,适用于股票价格波动范围的分析和研究。首先,对原始时间序列数据进行模糊信息粒化处理,得到各个窗口的Low、R和Up值。其次,考虑到BP神经网络的过拟合性和不稳定性,建立了BP-Bagging预测模型,以R值为例进行实验,结果表明Bagging算法可增强BP神经网络的泛化能力,提高了预测模型的准确性。最后,结合ARIMA模型的线性处理能力和SVM的小样本、非线性的映射能力,并采用IGS算法优化SVM参数,构建了ARIMA-IGS-SVM预测模型,从MAE、MSE、RMSE三方面评价模型预测R值的效果,发现ARIMA-IGS-SVM的拟合能力最强,IGS-SVM模型次之,ARIMA模型最差,体现了本文所建模型的应用价值。为进一步说明本文提出的基于信息粒化和BP-Bagging、ARIMA-IGS-SVM的股价范围预测模型的精确性,使用区间准确率对中信证券2017.10.23-2017.11.17每周的预测区间进行评价,结果表明,BP-Bagging和ARIMA-IGS-SVM模型对未来一周的预测准确率分别为93.95%和91.94%,对于量化投资具有一定的参考意义。