本文报告一种金融时间序列预测的信号分析、信息融合与智能计算组合模型,简称FEPA,由针对金融时间序列(FTS)信号分析的经验模态分解(EMD)、用于数据降维的主成分分析(PCA)和用于非线性建模的人工神经网络(ANN)三部分组成。该模型首先应用滑动窗口截取原始金融时间序列最近期数据集,应用EMD分解算法把数据集分解成不同尺度的本征模态函数(IMF),然后通过主成分分析将分解后的数据降维,提取最有信息量的特征;然后将这些特征输入到神经网络进行组合预测。本文提出的组合预测模型FEPA是基于分解-提优-合成的信息融合思想,有效提高了预测可靠性。其创新点在于:1)首次给出了EMD算法的结构化表达,提供了今后融合更多信息的算法接口;2)通过多步长预测输出深入研究EMD分解的有效信息结构;3)通过切换到更细时间框架来处理EMD的端点效应,并探索了两级时间框架下的预测效果;4)给出了金融时间序列组合预测模型的一般性架构,具有可升级性和可扩展性。并且通过滑动窗口EMD使得实证更能切近实际。通过在沪深300股指和澳大利亚股指上的实证,结果表明FEPA预测模型在沪深300股指日线和15分钟线上的预测命中率高达78%和82%,在澳大利亚股指日线上也达到了74%的命中率,经比较,明显高于文献中常见的5种模型。