在现实世界中,许多数据本身存在不完整、不准确和含糊性,尤其是金融数据,用经典的时间序列预测会导致拟合效果下降。期货市场较为复杂,股指期货作为现代资本市场的产物,受到各种内外因的影响,股指期货精确的收盘价记录可能会丢失部分有用的信息,因此引入模糊时间序列模型,得到更高效率、更精确的预测结果。考虑数据的可得性和完整性,本文选取2011年1月4日至2015年11月12日的股指期货连续日收盘价作为研究对象,首先运用经典的时间序列ARIMA模型进行预测,再根据三种经典的模糊时间序列Song、Chen和Lee的方法估计观测值。经过上述研究,改进原有的模糊时间序列方法,在计算隶属度矩阵时引入非参数高斯核函数,调节最优的窗宽,改变各个模糊集的权重;将一阶模糊时间序列转换为二阶,即考虑t,t-1,t-2期样本数据的隶属模糊集;在计算关系矩阵时引入马尔科夫模型,将关系矩阵转化为转移概率矩阵,用加权方法计算预测值。本文首先对模糊时间序列相关模型进行了深入的研究阐述,主要有模糊集理论,模糊时间序列发展现状、研究综述、模型理论,ARIMA模型理论,马尔科夫链模型,非参数高斯核函数。然后根据模型理论,通过R软件编程,分别用三种模糊时间序列方法和改进的模型进行估计,利用EViews进行ARIMA模型预测,最终得到近一个月交易日的预测数据。其中,Song和Lee的模糊时间序列模型预测误差在2%以上的有20个样本,占83.33%;Lee的模糊时间序列模型预测误差在2%以上的有10个样本,占41.67%;ARIMA模型误差在2%以上的有4个样本,占16.67%;二阶马尔科夫模糊预测误差在2%以上的有2个样本,只占8.33%。证明改进的基于马尔科夫链的模糊时间序列模型预测效果较好,均优于其他4种模型,为模糊时间序列的发展提供了一种新的思路,同时拓宽了模糊时间序列的应用方向。