金融市场是普通投资者进行投资活动的主要场所,但是以我国资本市场为代表的新兴资本市场由于成立时间较短、监管体系不完善等因素,其波动性较大。对股票市场进行有效预测成为金融投资领域中风险管理研究中的一个热门方向。研究者们通过时间序列、机器学习等多种方法对股票或者股票市场建模,对其波动性进行预测,以期达到规避风险、提高收益的目标。本文在前人工作的基础上,使用复杂网络中可视图算法的相关理论,以可视关系和完全不可视关系为基础,并引入俯视角的概念计算来连边权重,将代表股票市场整体变动情况的股票指数序列映射成一系列加权可视图网络和加权完全不可视图。我们通过对加权可视图网络中的节点构建峰顶预测指标,对加权完全不可视图网络构建谷底预测指标,并针对可视图算法和不可视图算法中节点性质容易受到邻居节点影响的问题,提出基于邻居节点簇的指标构建方法。最后通过该指标对股票指数中的峰顶和谷底处出现的两种极端值进行预测。结果表明,通过使用本文提出和改进的方法进行预测,其效果优于前人的方法。本文使用2001年1月—2018年12月共19年的上证指数每日收盘价序列进行建模,对该期间内的极端值进行有效预测,并以2015年股灾为例,详细说明了股市异常波动过程中,预测指标的变化过程。之后,本文对算法中的参数的影响进行分析,并与主流机器学习算法进行了对比。最后我们将该方法拓展到全球12个主要股票市场指数中,对它们的极端值进行预测。结果表明,本文提出的方法较前人方法和其它算法的预测效果有了明显的提升。