本文首先介绍了隐马尔可夫模型(theHiddenMarkovModel,简记为HMM模型)的结构。这一模型被应用到很多领域,如语音识别、基因关联分析和基因识别、文字识别等。隐马尔可夫模型需要解决三个问题:学习问题、识别问题和解码问题。对这三个问题的回答就构成了隐马氏模型理论。本文的工作主要有:1.受启发于模式识别工具在股市预测中的成功应用,本文将HMM模型应用于股市预测中,并利用历史数据进行实证检验。样本外预测的结果说明了HMM模型的适用性,但准确率较低。2.由于国内股市的观测序列,如股票日收益率,资金日净流入,成交金额等数据自身具有较强的自相关性,而传统的隐马尔可夫模型认为观测序列的概率分布仅与当前的隐含状态有关,不能很好的刻画股市观测序列的性质,所以本文引入了改进的HMM模型,即考虑时域上相关性的HMM模型(the timecorrelation HMM,简记为TCHMM模型)。实证表明TCHMM模型在预测准确率上有一定的改进。3.TCHMM模型虽然在预测准确率上有了一定的改进,但由于模型中需要估计的参数量增大,参数训练收敛速度较慢,本文将遗传算法应用于HMM模型的参数训练中,仿真计算与实证检验说明了该方法对收敛速度和收敛稳定性的有一定改进。