股票是实体经济的衍生和重要补充,在发展良好的经济体中,股票市场的重要性也会体现的越来越明显。不管是个人投资组合的选择,还是国民经济政策的制定,都离不开对股票市场的深入分析。而在相关的研究中,股票预测一直是很热门的领域,针对股票收益的预测不仅有很重要的理论研究意义,在经济上也具有很高的应用价值。本文基于混合建模的思想,在分解预测模型SOP(Sum-Of-the-Parts)的基础上,引入EMD(Empirical Mode Decomposition)的技术,构建了新的股票预测模型SOPEMD,并在真实股票数据的实证分析中,得到了更好的预测效果。SOP模型是一个对股票收益进行分解-预测-再汇总的股票预测模型,其思想是根据股价中不同组成部分的频率特性而对每一部分制定不同的预测方法。EMD在对非平稳时间序列进行时频分析的时候具有很理想的效果。具体的研究内容如下:首先采用SOP方法把股票收益分解为三部分,分别是获利率dp,盈利增长率ge和市盈率增长率gm,再分别对这三部分进行EEMD分解,即在频率层面进行分析,筛选出具有高预测能力的部分。然后,对频率分解后的分量进行预测。最后,dp和ge部分的分量采用重构算法进行简化并提取高预测分量,对gm的预测引入了多种常见的预测变量,扩展变量的引入进一步提升了预测模型的稳健性。在实证分析阶段,使用标普500的90年股票数据,采用多种评价指标和多种对照模型,在理论统计性和经济意义上分别对模型进行检验。得出如下结论:(1)扩展了 EMD理论的应用领域,和小波SOP的对比显示了自适应的EMD分解更适合金融时间序列的时频分析。(2)SOPEMD模型在股票预测效果上要显著好于传统的单一变量预测和原生的SOP方法。(3)针对具体的股票市场,筛选出了两个预测效果出众的变量。