自我国进入21世纪开始,金融市场受到越来越多群众的关注。其中股票市场中的股民纷纷涌入。对于企业和投资者而言,较为准确的预测股票涨跌具有重要意义。现在是大数据的时代,合理运用统计知识探索数据的奥秘,可以为企业和投资者提供便利。在此背景下,本文首先选取沪深300指数750日内的相关指标,通过描述统计分析影响股票价格指数涨跌的指标各个相关统计量,利用时间序列分析收盘价变动情况及是否平稳,探究750天内涨跌分布情况。其次运用目前已有的传统的机器学习模型:随机森林、支持向量机、神经网络分别对股票价格指数的涨跌做出预测;针对目前传统机器学习模型分类预测后准确率的不足,提出改进方法,利用深度学习对各个模型进行优化,采用贝叶斯优化后的随机森林模型、粒子群优化后的支持向量机模型、递归神经网络模型对股票价格指数的涨跌做出预测,发现优化后的模型预测准确率都得到不同程度的提升。最后基于不同的降维方法:主成分分析、多维标度法、局部线性嵌入对原数据指标进行降维。利用降维后的样本数据建立贝叶斯优化后的随机森林模型、粒子群优化后的支持向量机模型、递归神经网络模型,从而对股票价格指数的涨跌做出预测,这对我国股票市场的投资建设有重要意义。经过以上研究分析发现,改进后的机器学习模型提升了预测准确率。由于指标之间存在显著的相关性,造成信息冗余,其次数据维度过高使得迭代速率缓慢,因此降维是处理该问题的有效方法。降维后优化的三种模型预测准确率得到极大的提升,三种模型预测准确率均在70%左右。因此,本文根据以上研究结论,提出了预测股票市场中价格指数走势的一些建议。