在股价预测分析中,相关的财务数据可能存在缺失值。若采用完全观测数据（CC）法进行分析,会损失有效的数据信息。特别是在随机缺失（MAR）机制下,可能导致模型参数估计有偏并损失统计有效性,甚至得到错误的统计分析结果。为了克服CC法之不足,本文在MAR缺失机制下利用非负矩阵分解插补法（NMF）对有缺失值的股票数据进行插补,得到完整数据集,并引入了逆概率加权法、K-邻近插补法、多重插补法和随机森林插补法进行对比分析。由于股票价格预测分析中,自变量间可能存在多重共线性,因此本文采用主成分分析法消除多重共线性;同时,自变量与因变量间还可能存在复杂的非线性问题,因而本文采用支持向量回归机建立回归预测模型。即本文在MAR缺失机制下,首先对缺失数据进行插补,然后建立了两阶段股价预测的主成分分析-支持向量回归机（PCA-SVR）模型。本文以平安银行为例,基于平安银行基本面数据和财务数据,在MAR机制下产生了带两个自变量缺失的缺失数据集,分别在完全观测数据下采用CC法和逆概率加权法建立了股价预测的PCA-SVR模型。同时,分别用非负矩阵分解插补法、KNN插补法、多重插补法和随机森林插补法对缺失数据进行填补,在得到完整数据后再建立股价预测的PCA-SVR模型,并使用网格搜索法进行调节参数优化。本文分别使用不同模型预测了30天和35天的收盘价,预测结果表明,使用本文建立的PCA-SVR模型对平安银行的股价预测效果较好。其中,非负矩阵分解插补法和多重插补法的PCA-SVR模型预测结果优于其它方法,且非负矩阵分解插补法相较于其他插补方法更为稳健。