大数据时代下时间序列出现高维性、海量性、随机性、信噪比低等特征,传统时间序列模型分析已经无法满足现代分析要求。因此,对时间序列进行信息提取,降低数据维度和复杂度具有重要意义。本文所使用的HP滤波法和相似性度量能对数据中的长期趋势,波动循环,相似波动等信息进行提取,有利于更好地进行时间序列分析。滤波技术最初起源于电子工程领域,通过过滤信号中特定频率的波段,去除干扰信号。HP滤波方法是一种比较成熟的、简单易操作的高通滤波法,能将信号中的高频成分和其他成分进行分离。利用HP滤波法对时间序列进行分解,可以去除其中长期增长趋势成分得到平稳的周期波动成分。经济学者们常用HP滤波法分解经济指标,从而得到其中隐含的经济波动信息、分析经济周期、研究经济波动与增长之间的关系。目前学者对HP滤波的研究大都局限于直接应用,但其仍有不足之处。首先,平滑参数的取值缺乏统一标准。其次,序列分解结果受序列长度影响,尾部分解不稳定。本文第四章针对这里两个问题提出了有效的解决办法。在平滑参数取值方面,提出利用分解所得波动序列与波动率序列的极值点重合率对平滑参数进行选择的方法。在尾部分解的修正方面,提出延长序列法,并通过延长后序列分解所得波动序列的修正距离确定延长期数。利用本文所改进的HP滤波法对GDP年度数据进行滤波,所得波动成分与实际经济波动更相符,能更细致的分析宏观经济发展变化规律。相似性度量是对数据进行分类、聚类、模式发现等数据挖掘的基础。长时间序列中利用有效的相似性度量方法对其子序列段进行相似性搜索,发现相似波动,剔除多余信息,能有效的优化数据分析效果。本文第五章提出一种综合考虑了序列波动趋势和程度的分层相似性度量方法,并通过编程实现相似性搜索。实证分析中首先利用第四章所改进的HP滤波方法对股价时间序列进行滤波,得到去除了长期增长趋势的纯波动序列,再对纯波动序列进行相似性度量和搜索,最终基于相似性搜索结果建立S-BP神经网络模型。结果表明:该方法具有良好的相似性度量效果,利用历史中相似波动时期的股价对未来股价进行预测,相较于使用近期历史股价能更好的预测未来股价变化趋势。本文针对宏观经济指标序列提出基于HP滤波分解和传统时间序列模型的预测分析,针对股价时间序列提出基于相似性度量和神经网络模型的预测分析。实证表明:本文对隐含周期波动的短时间序列与具有相似波动的长时间序列所提出的分析方法在未来值预测方面具有较好效果。