全文总字数：4304字
文献综述
- 国内研究现状
在金融投资领域，股票市场占有非常重要的地位，而股价趋势一直是关注的焦点。为了更准确地预测股价，人们已经提出了许多股价预测模型，如：如：GARCH (广义自回归条件异方差模型)、ARMA (自回归移动平均模型)、ARIMA (差分自回归移动平均模型)。
2009年，赵国顺[1]建立 GARCH 模型和 ARIMA 模型对股价波动趋势进行短期预测, 两个模型的表现结果都不错。2010年，翟志荣和白艳萍[2]对ARMA模型和含有一个隐含层的BP神经网络模型加以对比，以亚泰集团360个交易日数据为样本，预测未来10天的收盘价数据。结果表明ARMA模型相比之下预测精度较高，更适合短期预测。2011年冯盼, 曹显兵[3]利用ARMA（模型分析招商银行(600036)的股票日的开盘价，来预测未来3天的开盘价数据。
模型预测误差小，同样发现ARMA适合短期预测。2018年，于卓熙、秦璐和赵志文[4]在利用PCA对影响股票的指标进行降维后，将广义回归神经网络模型的预测结果与ARIMA模型的预测结果进行对比，发现前者预测结果更好。
近些年来，人工智能和数据挖掘技术的发展，使得支持向量机（Support Vector Machine, SVM）、人工神经网络模型在股价预测方面成为热门。
2007年，吴健生[5]提出了一种新的神经网络集成股市建模方法，使用偏最小二乘法构造神经网络输入矩阵，使用Bagging技术和不同的神经网络学习算法生成集成个体，并使用遗传算法选择参与集成的个体。根据误差的绝对值和最小，建立最小一乘回归神经网络集成模型。
上证指数开盘价、收盘价的实例分析，结果表明该方法的学习能力和泛化能力较好、预测精度高、稳定性好。2010年，陈政和杨天奇[6]提出使用RBF(Radial Basic Function，径向基)神经网络的股市预测模型。RBF神经网络结构简单，拥有良好非线性映射能力和高度非线性的特点，而股票数据非线性也较强。2014年，陈嶷瑛、张泽星和李文斌[7]提出集成多个神经网络的股价预测模型SPPM（Stock Price Prediction Model），可预测未来若干天的股价走势。
2016年，王卫红和卓鹏宇[8]利用PCA对影响股价的因素进行分析降维，再使用果蝇算法优化过的SVR（Support vector regression，支持向量机回归）对股票价格建模预测．对宁沪高速(600377)进行仿真实验的结果表明，PCA-FOA-SVR模型相比BP和SVR进一步减小了预测误差，拥有更高的预测精度。
