随着股票市场在国内的飞速发展,越来越多的人开始把资金投资到股票当中,但由于股票数量庞大且交易频繁,投资者想要得到更为精准的预测结果需要对大量的数据进行分析。因此,为了降低分析过程当中所需的成本,一些学者关注其在线算法的研究。在线算法是一种可以随着新数据的来临而实时更新样本估计值的算法,这类算法在拥有更高的计算效率的同时也降低了对硬件的要求。当在线算法被用于分析数据量庞大的股票市场时,可以减少该过程所需的成本,具有一定的理论意义和应用前景。本文基于随机逼近的理论思想,对一种可以满足在线计算的主成分分析方法进行了介绍,并且对传统的局部常数估计方法进行了改良,在保证了算法其原有估计效果的基础之上,使其可以满足在线计算的需求,同时给出了改良后的递推局部常数估计算法的一些渐近性质,最终采用数值模拟的方法分别验证了两种算法的可行性。在实证分析部分,本文抽取美股市场中的两支股票于五年内可收集到的日收盘价作为研究对象,组合两种在线算法对其进行分析预测,并将所得预测结果与传统的离线算法的预测结果进行比较,得出结论为本文所研究的递推局部常数估计算法在满足了在线计算需求的同时,预测效果也不低于一些传统的离线算法,因此可以认为本文所研究的在线算法对于股票市场价格的分析存在一定的实际意义与发展前景。