对于股票市场的研究近些年来不曾间断。是过去还是现在，国内还是国外，对于股票价格的精准预测的研究源源不断，专家及学者不断推出各种新的技术、新的模型以及更好的方法，这些源源不断的研究投入和大量研究成果的涌现，使得对股票的研究越来越成熟。一、股票预测现状随着股票市场壮大，时间序列分析相应迎来崛起，时间序列的基本思想是利用序列变量与时间的关系建立统计模型来做预测。迄今为止，时间序列方法成果颇丰，相应诞生自回归、滑动平均、自回归滑动平均、广义自回归条件异方差以及蒙特卡洛模拟等时间序列模型。由于股票数据这种金融时间序列对象受到多种因素的影响，往往是非平稳的、非线性的以及高噪声的，不同于以往时间序列方法只涉及时间这个单方面影响因素，所以传统时间序列方法往往不适合股票数据，预测性能不够理想。随着互联网与计算机技术的突破，数据存储技术的发展，迎来大数据时代，人们从电脑端和手机端不断地接触到大量的数据以及信息，对于庞大的数据，如何从中获得有用且人类想要的信息变为研究重点。由于股票市场的时效性，每天大批量数据的产生，迄今为止，股票市场已经累积了足量的历史数据，借此契机，专家学者们获得大量研究数据，得以在股票市场的研究上大展拳脚。股票的价格受到大量因素的影响，这使得股价的预测不是那么容易，但是，随着机器学习技术的发展，使得从海量信息中挖掘出来对股票预测极其重要的信息有了可能，所以股票预测这项工作依然是具有极高的价值和意义的。二、股票研究的意义在股票买卖过程中，如果建立了金融预测模型，我们将历史数据灌入，学习到参数，从而对未来的股票价格进行预测。假如模型的预测价格高于当天的收盘价格，即模型告诉我们未来股票价格可能出现上涨，则我们可以继续持仓这只股票以期获得后续更高的投资收益；另外，情况相反时，我们可以根据模型的建议采取相反的举措与动作。所以建立一个准确且高效的股票预测模型对于投资者更好的收益显得非常有意义。当然，找到这种股票价格上涨下跌趋势的规律对于国家宏观调控和企业的经营管理也是有很高的现实价值的。股票预测研究不仅仅聚焦在技术上，技术上的突破固然重要，但是在数据的处理以及特征工程上的精益求精往往能给股票预测模型精度带来相当明显的提升。股票市场主要分为交易所市场和场外交易市场，是已发行的股票可以转让、交易和流通的场所。因鉴于发行市场的缘故又被称为二级市场。因为在交易活动以及结构上较一级市场更加复杂，所以其影响力和作用也更大。受益于其相比一级市场结构和交易活动更加的复杂，其作用和影响相对更大。股票市场于1602年起源于荷兰，而严格来说相对更加正规的发源地则出现在美国。上交所和深交所两个交易市场是中国大陆上投机者和投资者活跃的地方，股票市场是一个国家或地区经济和金融活动的晴雨表，股票市场上的各种不良操作都会给股票市场带来大的震荡从而形成股灾。股票市场时时刻刻都是变化的，而且变化莫测，鉴于此，所以对于广大股票爱好者和投资者，甚至决策者，掌握好股票的相关知识和研究方法非常的重要。三、影响股票涨跌的因素对于股价的涨跌影响因素，长期来看是由上市公司为股东创造的利润决定的，但是短期上则是由供求关系决定的。而供求关系由受该股票所属公司的盈利预期、股票炒作、市场政策等因素决定。而从宏观角度和微观角度来对股价涨跌影响因素进行分析，宏观上包括宏观经济和国家政策；微观上主要由市场因素决定，包括该公司内部变动、行业变动和投资者心理变动。总之股票的涨跌取决于对该只股票的估计，高估或者低估均能带来该股票同方向上的变动。最终围绕其形成的因素主要包括以下几类。1.大盘环境的好坏大盘由板块组成，板块又由个股组成，所以个股和板块共同组成大盘，也就影响了大盘的涨跌，另外大盘也会反过来作用于个股，由于一般大盘上涨时，投资者投资情绪高涨，市场资金较充足，从而带动个股资金的涌入推动个股的上涨，反之则会带动个股的下跌。2.主力资金的进出股票的持有组成主要来源于主力资金和散户，所以主力资金对股票的股价影响非常的大,一般其进出会通过供求关系直接影响股价的上涨和下跌，作用非常之大。对于任何一支股票，无论是绩优股还是亏损的股票，都会得益于主力资金的加持从而保持优势或者止跌上涨。3.个股基本面的重大变化个股基本面关系到这支股票的价值波动，个股基本面与股价的关系是通过价值法则来传递的。个股基本面会出现重大利空和重大利好两种情况，前一种情况下股价一般会下跌，后者则会使股价上涨。4. 个股所属板块整体的涨跌情况股票的大盘往往会对个股造成较大的影响，与此同时，个股所属板块也能够从方方面面对该个股产生较大的影响。相似个股组成板块，一般大盘暴涨的时候，肯定有相应的十分热的板块在后面支撑，从而反馈到该板块，吸引大量资金进入，从而影响整个的供求关系，进而影响到该板块个股的涨跌。大盘跟个股的关系已经说明，而大盘又是由板块组成，所以板块相当于缩小的大盘。大盘上涨则会有热门板块，相应地传递利好消息，吸引资金的进入，从而供求关系带动本板块的个股股价的上涨。反之，就会导致本板块股票下跌。对于大多数股票研究者来说，需要综合把握和权衡以上各种因素，股票的博弈其实也就是各方力量的博弈，掌握好各方面因素的变动趋势，对于股票走势的预测至关重要。了解了股票涨跌的因素是股票预测的第一步，也是必要条件，但是对于变化规律难以完全捕捉的股票而言，仅仅如此还是远远不够的。股票影响因素的捕捉不简单，股票涨跌预测的难点更是尤其繁杂，特别是对于市场没有完全市场化地区的股市，掌握股票的规律非常不容易。结合影响股票涨跌的因素，大体上来说，股票预测的难点包括市场的不稳定、容易受到突发事件的影响以及存在人为操纵的风险。股票预测另一个比较难的地方是把握宏观意义上的规律然后就断言能够预测某支股票的走势是很难有说服力的。市场上的股票种类繁多，并没有完全普适的规律。所以对于股票的预测需要把握各个方面的细节，不能受到情绪的干扰，综合考量各种影响因素，从各种因素释放的数字信号中去捕捉能够推动股票涨跌走势的特征点。这就要求灵活利用各种股票预测指标组合。四、股票趋势预测常用的指标和方法股票预测的常用指标主要用于对影响股票涨跌的各类因素的量化，包括宏观经济走势、公司经营情况以及投资者情绪等等，通过指标量化的分析来进行技术分析。通过基本分析和技术分析结合来指导投资者进行股票的选择和股票交易的买卖时机。当选入某只股票之后，如何通过股票技术指标的量化研究判断该只股票的走势正是投资者要关心的。目前针对股票研究的常用指标包括股票行情指标和综合技术指标，行情指标包括：开盘价、最高价、最低价、均价、成交量、成交额、涨跌、涨跌幅、前收盘价、换手率、振幅、交易状态、成交笔数、复权因子(后)、内盘成交量、外盘成交量、是否涨停、是否跌停、前复权因子(定点复权)、是否 ST、是否*ST。古往今来，投入到股票研究中的学者以及社会人士层出不穷，这也使得股票研究得到了很大的发展，虽然到目前为止并没有一个统一的行之有效的理论，但是也各自在一定领域形成了颇有成效的研究方法。本文通过文献挖掘的方法总结了目前几类常见的股票趋势预测的研究方法，主要包括针对影响股价的基本因素的基本分析法、量化研究法、传统的时间序列方法以及现代机器学习方法。其中传统的时间序列方法主要包括 ARIMA 和 GARCH 方法；现代机器学习方法主要包括支持向量机和 LSTM 神经网络。以上几种方法都有各自的优势，在各自的时代都取得了一定的研究成果，也有一定的适用人群，对于普通的股民来说往往采用针对基本因素的基本分析法，更有甚者仅仅是针对时事新闻作出判断。结语传统的时间序列方法是以前专家学者最常用的研究方法，因为股票趋势预测类似于时间序列预测，所以这些传统时间序列方法得以派上用场，但是股市的波动往往又是不平稳和充满各种噪音的，所以传统的时间序列方法也有一定的局限性。随着大数据时代的到来和计算机计算能力的大幅度提升，机器学习方法也得以登场。机器学习的大致思想是：通过模拟人类大脑思考的过程，不断地试错、不断地改进，积累以往的经验，自动修正各种认知从而达到学习的目的，不同的是，人脑基于历史经验，而机器学习主要基于历史数据的学习形成有效的模型。}