论文从金融研究的背景入手，首先讨论关于金融市场中价格时间序列是否可以预测的问题。关于这个问题，前人做了大量的研究和论证，逐渐形成两种截然不同的观点：一种观点是认为金融市场是不可预测的，它产生的数据或信号符合随机游走过程，以Fama的有效市场理论为代表；另外一种观点认为股市是可以预测的，它以金融数据中大量存在的长期记忆性的现象为依据，反驳Fama的有效市场理论及其机制的不可预测性。论文采用计算Hurst指数的重标极差法和去势波动分析方法两种方法，对计算机程序生成的标准布朗运动序列与实际的上证指数进行了实证分析比较，发现这两种方法在区分布朗运动和实际数据时，效果并不明显，但是在论文引入时间尺度因素对数据序列进行重排之后，发现标准布朗运动与实际数据的Hurst指数序列和D值序列随着重排时间尺度的不断变大，发生了不同程度的变化趋势，证实了布朗运动与实际指数序列在不同时间尺度上的差异是显著存在的，同时也发现上证指数和深成指数历史数据在长期记忆性的程度上是不一样的。 实际资产价格时间序列中的这种长期记忆性或长程相关性可以进一步具体化为分形的自相似性，并且可以通过构造不同相似度的分形维布朗运动来描述。为了更好的分析这种分形特性所包含的信息，并将之用于实际决策，论文根据资产价格序列的分形自相似特征，并结合模式识别的优点，提出了分形模式的概念。然后，通过选择多个不同的标准模式库构建方案，对分形模式表达序列信息的能力做了大量数据分析，来测试不同标准模式库的构建参数(区间划分方法、模式长度、子区间划分个数)对序列信息表达的影响。本文认为在不同尺度下以及相同尺度下，那些按同一模式划分到一类的时间序列图形形状或者说类似的历史走势背后具有类似的形成机制，并且这种机制所导致的结果也是具有一定的相似性和可预测性。实验中提取一个模式在其与数据匹配之后的下一个数据点的平均收益的分布，发现匹配记录数量最多的一些模式对应的数据分布具有微弱的收益性，并且随着时间尺度的增大，趋于集中和明显。但是由于模式数目过多，无法一一画图比较去得到数据分布较为理想的模式，所以在最后提出了采用遗传算法进行分形模式选优的初步模型。