随着人民生活水平的不断提高和信息时代的不断发展,越来越多的个人投资者参与到股票市场中。股市的变化与投资者们的投资盈亏情况息息相关,然而股市的走势是不确定的,如何把握股票的价格走势、形成有效的投资组合以及获取更多的投资收益成为投资者们关心的问题。上市公司的财务信息是投资者进行投资的主要依据,它能让投资者直观地了解到上市公司的经营业绩情况,在投资者做出投资决策时具有重要的参考价值。财务指标作为评判公司财务状况的重要数据,对股价也有较大影响,然而在过往的研究中,很少有对每日财务指标数据进行研究。本文从这一思路出发,选取的研究对象为零售板块上市公司,基于不同频率的解释变量数据,其中包括季度的财务指标数据和月度的交易行情指标数据,运用混频数据模型对未来交易日的财务指标进行预测。本文运用预测得到的日度财务指标数据结合股票的历史交易数据构建股价回归模型。以往的研究大多使用传统的统计方法或时间序列模型对股价进行分析、建模、预测,然而随着计算机技术和人工智能的不断发展,机器学习为研究股价及走势提供了新的思路。本文基于随机森林回归模型、XGBoost回归模型以及Light GBM回归模型分别对零售业板块上市公司的收盘价进行研究预测,选取MAE、MSE、RMSE以及R~2作为模型在测试集上的评价指标。通过分析发现,在股票的历史交易数据中加入财务指标特征能提高股价预测的准确率。将三个模型的预测结果进行对比,实证结果表明随机森林模型在股票价格预测上的表现最优。另外,选取了零售业板块中五家上市公司为研究对象,分别构建LSTM模型对公司股价进行研究,结果验证了财务指标作为特征预测股价的可行性。