股票市场是一个动态的复杂的非线性系统,随着量化投资的发展,越来越多的智能技术被运用到股市预测上,探索的方法多样,其中分形理论、群智能算法、机器学习等都被运用到股票市场的研究中,并取得了一定的成果。但是预测系统涉及属性的选择、模型的构建等方面,如何利用预测系统提高对股市的预测的准确率依然是研究的热点问题。本文在总结以往研究的基础上,从属性选择和模型构建两方面出发提出了将分形属性选择算法和机器学习预测模型相结合的预测系统,并取得一定预测效果。本文首先论述了分形理论、群智能算法、极限学习机和深度学习的相关概念和理论知识,指出了分形维数的计算思想、果蝇算法的计算过程以及极限学习机和长短时记忆网络的结构原理。然后根据盒计数的思想在分形变换法的基础上将涨跌趋势考虑到分形维数的计算中,提出了K型分形维数的计算方法,并将其和改进的果蝇算法进行结合对属性进行选择,并在静态数据集上证综合指数上进行属性选择的验证分析,证明了本文提出的属性选择算法的有效性。随后提出了两种预测模型,一种是利用遗传算法和粒子群算法改进的极限学习机预测模型,并利用预测模型在静态数据集上进行了验证分析;另一种是分析了长短时记忆网络的影响因素,利用果蝇算法改进双输入长短时记忆网络预测模型,并利用上证指数进行验证分析。最后将两种预测模型和分形属性选择算法结合构建预测系统,利用分形属性选择算法对股票特征指标进行选取,根据选取的技术指标利用两种预测系统对上证综合指数进行了趋势和收益率预测,并根据长短时记忆网络预测的结果结合回测平台进行回测,证明预测系统的有效性。