1、金融時間序列具有異常值，趨勢，均值復(fù)歸等典型特征。異常值的存在將會影響金融時間序列預(yù)測模型中未知參數(shù)估計的有效性，從而使模型的預(yù)測誤差較大。本文基于隱馬爾可夫模型提出了機制轉(zhuǎn)換混合預(yù)測模型，將其應(yīng)用于金融時間序列的預(yù)測，降低了預(yù)測誤差。
　　首先，對金融時間序列建立隱馬爾可夫模型，假設(shè)該模型具有兩個隱狀態(tài)，分別表示正常狀態(tài)和異常狀態(tài)。利用Viterbi算法計算出數(shù)據(jù)點處于兩個隱狀態(tài)的概率。當該點處于異常點狀態(tài)的概率值大于預(yù)先設(shè)置的

2、閾值時，則判斷該點處于異常狀態(tài)，否則判斷該點處于正常狀態(tài)。根據(jù)數(shù)據(jù)點所處的狀態(tài)把金融時間序列數(shù)據(jù)分成兩大類，即正常狀態(tài)類和異常狀態(tài)類。根據(jù)T時刻處于兩個狀態(tài)的概率δT(i)和狀態(tài)轉(zhuǎn)移概率求得序列在T+1時刻處于兩個狀態(tài)的概率δT+1(i)，i=1，2。再根據(jù)給定的閾值，判斷出序列在T+1時刻的隱狀態(tài)。
　　接著，提出三種不同形式的機制轉(zhuǎn)換混合預(yù)測模型用于預(yù)測序列T+1時刻的值。如果金融時間序列樣本數(shù)據(jù)不多，提出了LSSVM-LSS

3、VM預(yù)測模型：當T+1時刻的隱狀態(tài)為正常狀態(tài)時，利用訓(xùn)練樣本數(shù)據(jù)中的正常狀態(tài)類數(shù)據(jù)建立最小二乘支持向量機模型預(yù)測T+1時刻的數(shù)值；當T+1時刻的隱狀態(tài)為異常狀態(tài)時，利用所有訓(xùn)練樣本數(shù)據(jù)建立最小二乘支持向量機模型預(yù)測T+1時刻的數(shù)值。如果樣本較多，提出了KERNEL-KERNEL預(yù)測模型：當T+1時刻的隱狀態(tài)為正常狀態(tài)時，利用訓(xùn)練樣本數(shù)據(jù)中的正常狀態(tài)類數(shù)據(jù)建立非參數(shù)核回歸模型預(yù)測T+1時刻的數(shù)值；當T+1時刻的隱狀態(tài)為異常狀態(tài)時，利用所有

4、訓(xùn)練樣本數(shù)據(jù)建立非參數(shù)核回歸模型預(yù)測T+1時刻的數(shù)值。在此基礎(chǔ)上，又提出KERNEL-LSSVM預(yù)測模型：當T+1時刻隱狀態(tài)為異常狀態(tài)時，使用訓(xùn)練樣本數(shù)據(jù)中的異常狀態(tài)類數(shù)據(jù)建立最小二乘支持向量機模型預(yù)測T+1時刻的數(shù)值；當T+1時刻的隱狀態(tài)為正常狀態(tài)時，利用訓(xùn)練樣本數(shù)據(jù)中的正常狀態(tài)類數(shù)據(jù)建立非參數(shù)核回歸模型預(yù)測T+1時刻的數(shù)值。
　　最后，選取上證指數(shù)截至2012年3月11日的2932個收盤價數(shù)據(jù)以及納斯達克綜合指數(shù)截至2012年