股票是一个国家经济社会的主要组成部分,但是股票价格深受经济环境、国家政策、国内外环境等的影响,所以股票的波动方向与股票价格本身就很难预测,再加上股票交易中市场的随机性、信息的不对称性和投资者的从众心态使得对股票数据的分析研究十分困难。但是对金融市场的研究、对股票的分析却一直都是研究的热点。为了能够更加准确地分析股价的波动方向,本文提出了对股票交易数据进行小波降噪处理,并且计算和收集股票市场中常用到的技术指标因子与情绪类因子,并对这些因子数据做主成分分析,经过预处理再进行机器学习的分类分析。应用机器学习中的逻辑回归、支持向量机、随机森林对股票数据做分类分析后,利用预测得到的结果进行组合投票,并做对比实验,实验表明,数据在降噪降维后,经过组合投票分析能够得到较为理想的结果。关于股票价格的预测也是目前研究的重点之一,本文应用长短时记忆网络对股票价格做了预测,在LSTM中应用滑动时间窗口对股票价格做短期预测选择出最佳窗口,之后在相同迭代次数下,比较了降噪降维数据与对比文献使用的原始数据做LSTM的实验结果。最后应用平均绝对误差、均方误差、均方根误差和平均绝对误差百分比对误差进行了分析。之后,应用Spark MLlib的分布式学习对上述算法在集群中进行实验,比较单机环境与集群环境中的性能差异,在需要多次迭代计算时,基于Spark集群的计算速度是单机时的两倍,但由于数据集本身较小,不能充分体现出Spark的优越性,未来,随着自然语言处理以及对股票进行文本分析量化的进步,在数据集较大时,Spark的优势将进一步体现。