随着我国股票交易市场的逐渐发展，对股票市场的掌握和预测能力变得尤为重要。股票交易作为日常生活中交易最频繁的一种金融交易场所，越来越多的股民选择学习积累对股票交易有一定价值的研究来指导自己进行日常的股票交易。在国内外的学者中，已经有许许多多的学者使用不同的模型来对股票市场的各种指标进行预测，并通过实证研究以期取得良好的效果来指导人们进行股票交易。其中，对股票收益率的预测研究一直在进行，不管是根据神经网络、支持向量机还是隐马尔可夫模型，大多数都是基于单一的模型来对股票的收益率进行预测。本文旨在研究适用于预测股票收益率的非单一模型。
　　在这一研究背景下，本文选择隐藏变量h表示股票所在公司的状态好坏，并假设隐藏变量h具有马尔可夫性且有唯一的转移概率矩阵Q。利用隐藏变量和股票收益率y之间的条件依赖关系，使用隐马尔可夫(HMM)模型和马尔可夫链蒙特卡罗(MCMC)方法结合起来对股票收益率进行预测。这个模型的优势是结合了MCMC方法采样的手段来对待估参数进行估计的优点，将估计所得的参数代入到隐马尔可夫模型中，增加了隐马尔可夫模型对股票收益率的预测准确率和稳定性。将这两种方法结合起来的非单一模型在以往的研究中是没有被使用过的，便成为了本文的一大创新点。
　　由于MCMC中采样方法的多样性，本文基于隐藏变量h的不同采样方式将MCMC方法分成了DG(Direct Gibbs)和FB(Forward Backward Recursion)两种方法对其采样。基于这两种方法的不同，本文在选取并预处理了实证研究所需的数据之后，利用这两种不同的MCMC方法对模型中所需参数进行估计。实证结果显示，FB方法和DG方法都能得到收敛的参数估计结果，且两种方法估计得到的转移概率矩阵结果具有正自相关性，佐证了本文使用HMM+MCMC方法对股票收益率进行预测的可行性。在得到相应的参数估计结果之后，分别将这两种方法得到的结果代入到HMM模型中，对股票的收益率进行预测。实证结果显示，使用均方误差MSE进行预测精度对比，得出使用FB方法得到的股票收益率预测结果较DG方法的预测精度更高。接着考虑TOP20和SP98两种投资组合时，也佐证了使用FB方法得到的股票收益率预测结果会更贴近真实的股票收益率数据的结论。