时间序列是按时间先后顺序将某指标时间点上的数值排列而成的数列,时间序列分析是一种动态数据处理的统计方法,它根据历史数据来判断下一个时间点的数值,从而估计时间序列变化情况。金融时间序列是与时间顺序相关的一系列金融数据序列,具有很强的非线性和随机性,而神经网络有良好的非线性映射能力及自适应、自学习和良好的泛化能力,在处理金融时间序列方面具有良好表现。　　金融时间序列分析在现实生活中一个很好的应用就是基金净值估值。随着我国经济天翻地覆的变化,基金已经成为人们投资理财的一种重要工具,而基金净值是基金投资中重要的参考数据。本文主要研究基金中的封闭基金,其净值只在每周五被公布一次,所以及时的提供给投资者准确的净值估值可有效提高其投资成功率。因此,对这类数据进行分析有着重要的应用研究价值和意义。　　本文提出结合金融市场基本分析法和计算机技术分析法,并采用BP神经网络作为多模型融合技术,建立了基于神经网络的多模型融合方法来分析金融时间序列。首先利用基本分析法搜集到影响基金净值的特征;再采用文本分析法抽取基金公司季报和财经网站数据,使用最大熵理论、统计回归等方法建立适合的单模型来估计在不同特征影响下的基金净值估值结果;最后应用神经网络将多模型计算的结果融合,自适应的调节各模型结果的影响权重并加以调整,训练出最佳的金融时间序列分析模型,然后根据系统评测指标对结果进行分析。本文主要研究内容包括以下几个方面:　　(1)将基金净值估值问题抽象为金融时间序列分析问题,对影响基金净值变化的特征进行分析,并采用适合各自特征的模型对基金净值估值问题进行模拟。　　(2)利用熵定价理论,建立基于最大熵及假设投资组合不变的层次分析模型;根据金融市场基本分析法,建立通过基金指数模拟的趋势模型和通过基金价格模拟的因果模型;使用支持向量回归机(SVR)训练基金净值历史数据,通过参数调节、误差分析修正结果,建立基于基金净值历史数据的SVR模型。　　(3)使用基于后向传播算法的多层前馈神经网络对特征数据结果做融合计算,根据模型结果与实际结果的误差率,通过模型训练求得最佳估值模型。　　(4)根据引入的评测标准,对以上估值模型的估值准确率进行全面的比较。　　本文在多个数据输入上应用不同估值模型进行对比实验。实验结果表明,基于神经网络的多模型融合方法对金融时间序列分析在结果准确率上优于基于单一的影响因子建立的单模型,可为基金投资提供高可信任度的数据参考。