随着程序化交易的不断发展,金融时间序列的趋势预测算法得到了广泛的研究。本文一方面对金融时间序列的预测进行了研究,针对BP神经网络股价预测应用中存在收敛速度慢、易陷入局部极值、训练结果不稳定、预测精度有限等问题进行了算法优化,另一方面对金融时间序列的模式识别开展了研究,针对SAX算法进行了改进,具体研究内容如下:首先,针对BP神经网络预测精度不够的问题,本文提出了对进入BP网络的数据进行预处理的混合系统模型。该模型利用历史数据,筛选出与测试样本数据的模式匹配程度高的子序列,输入子序列来训练神经网络,构建出基于模式识别的BP神经网络预测模型。仿真结果表明,通过对不同数据段RMSE、MRE和WDS的分析,相比基于趋势点的趋势预测方法或多输入变量的BP神经网络预测模型,本文提出的混合系统预测模型的预测误差更小,预测效果更准确。其次,针对BP神经网络训练时间较长、易陷入局部极值的问题,本文提出了一种改进的PSO-BP预测模型算法,该算法利用改进的PSO算法训练BP神经网络的权值和阈值,从而具备了较好的全局搜索能力,再利用BP神经网络的局部搜索能力进一步确定权值和阈值,从而确定BP神经网络模型参数。通过预测模型的执行效率和精度两个角度对股价的预测结果进行仿真及性能分析,表明提出的改进PSO-BP预测模型算法训练时间短,更为有效。最后,针对时间序列模型的模式识别问题,本文提出了一种改进的符号聚合近似方法,该方法利用子序列每个区段的最小值、平均值和最大值进行符号化,并采用余弦相似度作为模式相似性的衡量标准。仿真实验证明,无论是从匹配时间还是匹配的准确性角度分析,所提出方法都要比传统的SAX方法和TD_SAX方法更有效,所需时间较短且可以产生更少的假阴性和假阳性序列。