近年来，国外关于隐马尔科夫模型(HMM)在金融和经济领域的应用越来越多。在国内，关于隐马尔科夫模型在金融领域应用相关的文献却比较少。金融时间序列通常可以被认为是由潜在的（隐性的，不被公众所知晓的）随机过程生成的，而这个潜在的随机过程可以被认为是反映了当前国内外经济环境、宏观经济变量等能够影响这个观测序列走势的各种经济和非经济因素。
　　本文利用隐马尔科夫模型来刻画股票价格指数的动态变化规律。由于该模型已验证适合建立动态系统，它已经被广泛应用在语音、生物信息、人脸识别等领域。然而，运用HMM模型去预测未来时间序列与其他方法有着本质区别。本文基于HMM模型对上证指数的收盘价、最高价、最低价、收盘价序列进行研究，以未来短期的股指收盘价作为预测目标。
　　本文各个章节的安排如下:首先，第一章简要介绍了隐马尔科夫模型的发展及其在金融经济领域的应用现状。第二章大致介绍了一些常用的股价预测方法，包括神经网络、专家系统、遗传算法、模糊逻辑等。然后第三章详细讨论了隐马尔科夫模型的理论框架和三个基本问题，包括前向-后向算法、Baum-Welch算法和Viterbi算法的理论推导。第四章，从实证的角度阐述了该模型在股指价格预测中的运用，涉及的内容有:如何确定隐状态个数及混合高斯分布的分量数，怎样选取模型参数的初始值，采用Baum-Welch算法估计模型的参数，最终如何预测未来的股价并评估预测效果。第五章讲述了从日频、月频、高频三个层次的数据，利用HMM对上证指数的开盘价、最高价、最低价、收盘价多变量序列进行实证分析。参数初始的确定采用了Biemacki等人提出的方法，选取10组随机参数向量进行迭代，将最大对数似然值对应的各参数值作为初始值。之后根据BIC准则确定隐状态的数目和混合高斯的分量数都为3，在此基础上建立HMM预测模型。第六章讨论了各种股价影响因素（上证BBD、10日均线、成交量等）的预测效果，研究结论进一步验证了HMM模型的有效性。综上所述，HMM模型对于高频数据具有更大的适用性，与其他方法相比也表现出优越性，对股市预测提供了一种新的模式。