运用隐马尔可夫模型（HMM）进行股价预测是金融时间序列研究常用的方法,但传统的隐马尔可夫模型在股价预测方法上存在值得完善的地方。本文通过对传统隐马尔可夫模型的输入和预测方法进行改进,对股票价格变化进行合理预测,可为证券市场监管部门和投资者提供一定的参考建议。本文研究的主要内容有:（1）指标改进。对选取样本的开盘价、收盘价、最高价、最低价进行预处理,得到由收盘价波动率、最高价波动率和最低价波动率组成的三维观测序列;（2）验证波动率序列在平稳性、高斯分布方面优于原始数据,提出基于波动率的高斯隐马尔可夫模型（VG-HMM）;（3）将样本数据按2:1的比例划分为训练集和测试集;（4）通过赤池信息准则（AIC）和贝叶斯信息准则（BIC）在二至四之间确定最佳隐状态数目,通过对训练集进行训练,确定模型参数（43）=（A,?,?,?）;（5）股票价格预测。在股票预测方法上,对波动率区间进行等宽划分,结合状态转移矩阵A和观测值的均值矩阵、方差矩阵,将任一时刻隐状态转移到下一时刻隐状态的概率作为权重来计算每一个观测值的概率分布,并对测试集进行股价预测;（6）误差计量与比较。采用平均绝对百分比误差（MAPE）和均方根误差（RMSE）作为评价指标,将VG-HMM模型与传统HMM模型、支持向量机（SVM）、长短期记忆模型（LSTM）的预测结果进行比较分析,验证VG-HMM模型在股票价格预测方面的精确性。本文的主要结论如下:第一,VG-HMM模型在个股和大盘上的收盘价预测精度均优于传统HMM模型,表现为VG-HMM模型的MAPE值和RMSE值更小。阿里巴巴、贵州茅台、创业板指和上证指数采用VG-HMM模型后收盘价预测精度分别提高了31.68%、10.05%、7.56%、1.90%;第二,对于传统的HMM模型,多日加权预测结果明显优于单日匹配的预测结果,不同股票对应的最优加权日期存在差异;第三,从不同模型在阿里巴巴、贵州茅台、创业板指和上证指数上的表现来看,所有模型在上证指数上的预测精度最高,表明这些模型对大盘的适应性更强,这与大盘相较于个股更具稳定性有关。第四,对比VG-HMM模型、传统HMM、LSTM和SVR的预测结果发现,VG-HMM模型预测精度最高,其次是传统HMM模型,SVR与LSTM模型预测效果略差。本文研究可能形成的创新点是:第一,利用原始数据,构建了波动率指标,在包含信息量不变的情况下,观测序列由原来的四维数据转变为三维,模型参数初始状态概率分布?和状态转移概率矩阵A的维度不变,观测概率矩阵B转变为观测值的均值矩阵?和方差矩阵?,在预测阶段无需通过匹配历史相似模式的方式来对似然值进行两两遍历,减少了模型的计算量,降低了运算复杂度,提高了训练和预测速度。波动率序列更加符合高斯分布,采用波动率序列作为高斯型隐马尔可夫模型的输入进行训练和预测得到的模型参数和预测结果更加精确;第二,通过将每一时刻隐状态转移到下一时刻隐状态的概率赋予权重来计算每一个观测值的概率分布,对每个状态下的多维观测密度函数进行区间划分并积分得到最有可能的预测值,避免了传统隐马尔可夫模型缺乏解释和准确性不足的问题。并将预测结果与传统HMM、LSTM和SVM三种模型结果进行比较,发现改进得到的VG-HMM模型具有更高的预测精度。