股票是人们进行投资和理财的重要方式,越来越受到人们的关注。对股票的准确预测不仅能给投资者带来收益,而且能极大地促进国民经济的发展。股票预测以预测股票未来的价格走势为目的,是实现股票投资利润最大化的关键。然而,股票价格受到许多因素的影响,如股票公司的盈利情况、国民生产总值、投资者的情绪、行业景气度等,对其精准预测仍然是一个具有挑战性的任务。对于股票价格预测来说,基于股票价格历史数据的预测模型是常用的预测方法之一,其包含两个重要环节:（1）构建合理的相似性测度,用于描述不同（价格）时间序列曲线之间的相似性程度;（2）构建时间序列预测模型,用于精准评估未来时间序列的变化趋势。针对上述两个环节,本文主要做了如下两方面的工作:（1）在相似度测度方面,提出了一种新的相似度度量方法——动态多视角个性化相似度测度,用于准确度量任意两段股票价格曲线之间的相似程度。具体来讲,我们首先对时间序列进行加权,用于体现不同时间的值对趋势预测所发挥作用的差异;然后将兰氏距离嵌入到动态弯折距离中,用于度量任意两个时间序列之间的相似性程度。新测度不仅可以体现时间序列的特性,消除奇异点的影响,还可以解决时间漂移和错位现象。（2）在预测模型方面,提出一种基于相关熵的回归预测模型。该方法将实际输出与理想输出视为两个随机变量,并采用相关熵度量它们之间的相似程度,进而基于最大熵准则,构建了一种新的回归模型优化函数,用于指导回归系数的确定。同基于最小均方误差准则的回归模型相比,新方法能够从异常数据的影响考虑,充分利用相关熵可以通过调节自身核宽,控制可调窗口,从而进一步地消除了奇异点对时间序列所带来的负面影响。进一步,基于上面两方面的工作,我们提出了一种个性化相关熵自回归模型。首先利用动态多视角个性化相似度测度在股票价格序列中找出与待测序列最相似的n条序列,然后建立最大相关熵自回归模型对每条相似序列进行预测,得到n个预测值,再对这些预测值做加权平均,进而得到待测序列的预测值。基于上海证券交易所的实测数据实验表明:本文所提预测方法对奇异点不敏感,预测精度高,鲁棒性强。