大数据时代推动了人们思维方式、方法论的进步和革新,帮助人们能够从一个全面、多元的角度去认识世界。以数据挖掘为核心的的数据分析技术,能够挖掘出数据背后的价值,应用在社会的许多领域。股票市场被视为国家经济的“晴雨表”,在促进经济发展、巩固社会和谐等方面具有重要作用,对股票未来价格进行准确的预测一直是国内外学者研究的热题。股票价格时间序列受复杂因素的影响,具有非线性和非平稳性,因此很难预测准确的股票价格的变化。小波分析方法,对时间序列在预测前进行处理,将时间序列分为低频和高频序列,能够从细节处分析时间序列的特性。时态数据挖掘可以充分利用股票数据的时间属性,有利于发现数据之间的内在知识。此外神经网络模型其强大的非线性处理能力和学习能力,是股票数据预测一个有效的方法。周期的选择是股票市场预测的重要依据,经小波变换进行伸缩和平移运算而产生的各频率序列与原始数据相比发生了一定的变化,继续采用固定的经验分析周期和单一神经网络结构进行预测已不再适用。本文将时态数据模型和神经网络模型结合,采用基于多分辨率分析的Mallat算法对股票数据进行预处理,将时序数据分为高频和低频序列。针对不同序列下的数据特征,将其转化为时态型数据集,并用粒子群算法寻找不同序列下的神经网络结构以及各自的分析周期,不同序列对应不同的神经网络结构,从而建立变结构时态神经网络预测模型。实验表明,变结构时态神经网络预测模型的设计是可行合理的、有效的。与未改进的神经网络和SVM方法相比,本文模型在对股票价格进行预测时有更好的稳定性和更低的预测误差。