金融股票市场是一个极其复杂的演化系统,准确揭示其内在规律往往十分困难,但股价波动不仅预示着经济的发展情势,而且牵动着投资者的切身利益。早些年业界主要尝试用单一的模型来把握股价波动,比较常用的有ARIMA、GARCH、SVM、神经网络等,这些方法可以在一定程度上刻画出股价的起伏规律,但预测精度和模型性能还有待提高,因此渐渐有学者把关注焦点投向组合方法,以期探索出效果更好的预测模型。本文也尝试在组合预测方向上做出努力。文章首先对证券市场的可预测性进行了阐述,根据有效市场假说,市场只有在非效率条件下运用数量模型预测分析才具有价值,基于此,一些研究工作对我国股市有效性进行了验证,得出市场未达弱式有效的一致结论。其次介绍了股票价格预测中存在的难题,不确定性、高噪声干扰、信息杂糅等问题是股价不易精准预测的根源,本文就成份杂糅这一难点,引入小波分析、ARIMA模型、BP神经网络组合解决。小波分析能够将股价数据投影至各个尺度空间,进而实现各频率成份信号的有效分离,而ARIMA模型是时序分析中的经典选择,在线性趋势预测时具有不可比拟的优势,BP神经网络具有较强的自学习和非线性拟合能力,应用领域也十分广泛。最后创新构建“分频”组合预测模型(M-ARIMA-BP),该模型在小波Mallat算法运用过程中,通过改变小波系数设计出两种重构方案,并据此产生出两条波动特征鲜明的序列。其中,低频趋势序列更加平滑,贴近股票价格的基本发展趋势,而高频波动序列则变化频繁,波动较大,非线性特征较强,两条序列均具有更高的辨识度,易于建模。新算法无论选择小波函数将样本数据进行多少层分解,最终可以回归至对两条序列的解析,从而既发挥出小波“数字显微镜”的优势,提升模型预测精度,又能够减少后续的建模工作量,使得小波分析和一些复杂的模型算法结合使用更加方便。在仿真实证部分,选择上证综指和深成指数的日收盘价序列作为原始数据,将组合模型(M-ARIMA-BP)与标准小波预测模型,以及相应单一模型的预测结果进行比较。结果显示,M-ARIMA-BP算法预测精度优于对比模型并且在涨跌预测正确率方面,M-ARIMA-BP算法也有着更为稳健的性能。