隐马尔可夫模型(Hidden Markov Model,HMM)是统计模型,它用来模拟一个含有不可见状态序列的Markov过程。隐马尔可夫模型已经被越来越多的领域所运用,尤其是在NPL、故障诊断以及生物信息等领域体现了很大的价值、而在人工智能等新兴领域,隐马尔可夫模型也发挥着重要的作用。隐马尔可夫模型需要解决识别、学习和解码三个相关的问题。本文将会介绍关于隐马尔可夫链的原理以及一般算法。隐马尔可夫模型适用于一个会随时间改变内在的状态并且会影响外在表现的系统。所以隐马尔可夫链在金融市场的运用也十分具有价值。本课题基于隐马尔可夫理论,结合EM算法、Wirtbit算法等算法来构建隐马尔可夫模型,来为隐马尔可夫模型对隐含状态的辨别提高准确率,进行股票市场走势预测方面的研究。本文将从股市预测中下手,运用隐马尔可夫模型,选取不同的数据特征和纬度,采取不同的分类方式,将股票根据实际数据进行分类并进行分类识别。并基于建立的模型,采用简单的交易策略,利用股票市场历史数据对于模型进评估。