金融时间序列是一个复杂的、不确定的和非线性的系统,以带有诸多假设条件的传统统计方法来预测股票价格的波动会影响预测的效果。模糊理论的提出为具有随机性和不确定性特点的金融时间序列建模提供了新的角度。目前,关于模糊预测的研究大多侧重于建立模糊逻辑关系。由于模糊关系可能是非线性和复杂的,故需要·种智能方法来计算这些关系。因此,本文提出基于模糊时间序列和智能计算的股市预测模型,其主要研究工作包括:第一,在股市时间序列中,不同年份趋势性及复杂性存在较大差异问题,如何降低随机信息,把握趋势性信息?针对这个问题,提出了一·种基于模糊逻辑的模糊时间序列预测模型。首先,将实际训练数据的时间序列模糊化为模糊时间序列:然后建立高阶模糊波动逻辑关系;接下来,通过逐点启发式学习过程分析跳跃规则的能力:最后,基于当前的高阶模糊趋势及其相应的跳跃规则及概率进行预测。为f验证模型有效性,将实验误差与一些最新预测模型进行了比较。实验结果表明提出的模型具有一定的有效性和良好预测精度。第二,由于不同年份趋势性及复杂性存在较大差异,个不同的规则及参数适用于不同情境,如何进行更加灵活的规则提取?针对这个问题,提出了一种基于神经网络的模糊时间序列预测模型。该模型的工作归结为:首先,结合模糊集理论和神经网络算法,在一定程度上解决传统模型中存在的过度拟合1问题;其次,运用BP神经网络探索序列数据实际存在的内部规则;最后,运用基于模糊语言表示·的系统输入来实现去除数据中噪声的目的。为了验证的模型的性能,以台湾加权股价指数和上海证券交易所综合指数的数据为例进行了实验与分析,进一步证明模型的有效性和普适性。第三,复杂环境下,股市波动的随机性特征是否可以作为预测的关键特征?同时考虑不确定性和趋势性两个方面的信息表示是否可以使预测更有效?针对这个问题,提出了一种基于中智逻辑的模糊时间序列预测模型。首先,将股票市场的原始时间序列转换为波动时间序列,并根据预定标签将波动时间序列模糊为模糊波动时间序列;然后,基于每个当前值的不同状态的概率来计算其历史波动的信息熵,将中智集用于表示当前状态并进一步建立中智逻辑关系;最后,Jaccard相似性度量用与寻找相似的逻辑关系组并计算其期望值。模型用于预测台湾加权股价指数和香港恒生指数。实验结果表明,该模型对不同数据集具有稳定的预测能力。