随着国民经济的迅猛发展，股票市场已成为我国市场经济的重要组成部分，从中获取利润是所有投资者前来投资最原始、最直接的目的。要使投资尽可能地获利，需要对投资行为进行合理的决策，这就要求我们在这之前对股票历史数据进行充分、有效的分析，进而对价格有合理的预测。由于股票市场是一个复杂的非线性系统，其数据量庞大、变化平凡，建立一个计算速度适中和精确度较高的自动股票预测模型，对于股票市场监管者的监管和股票投资者的投资有着重要的参考和指导价值。股票价格序列是一种特殊的时间序列，因而我们可以采用一些改进的时间序列的方法对其进行预测。常用的时间序列方法有三大类：统计模型方法、机器学习方法和组合方法。单纯的统计模型方法在当下复杂的应用背景下，表现往往不尽人意，目前比较流行的为机器学习方法和组合方法。因为组合方法是多种方法的有机整合，这跟股票价格的多成分组成特点十分吻合，本文认为组合方法相比单一方法能够更好地对股票价格进行有效地预测。在普遍为人们接受的股票价格三组成划分的基础上，本文建立了组合优化选择的组合预测方法框架，允许将各部分的不同方法得到的结果的组合按一定的规则进行取舍得到最终的预测结果，进而获得了比单个预测方法更为可靠的结果。在此框架的基础上，本文还对其中一部分的组成成因进行了探索和研究，并据此建立了相应的数学模型，进一步改进了最终决定系统精度强波动部分预测模块的预测精度。还引入了一种随机预测结果修正方法，希望以此进一步提高模型的可靠性。本文选取沪市A股（共计946组）和深市A股（共计1135组）本文算法适用的个股和指数日收盘价进行了一系列的分析对比实验。首先对不同滤波器进行趋势获取的效果进行了对比分析；接着在类随机部分预测部分，对本文提出的新模型与传统AR模型进行了分析和比较；再还进行了随机预测结果修正方法的效果验证；最后进行了结果整合的总成实验，同时还验证了本文采用的组合结果选取准则的有效性。通过这一系列的实验，数据有力地验证了本文的假设和方法的合理性和有效性，同时也暴露出具体方法的一些问题。