小波分析以其良好的时频局域化特性,受到众多科学家和工程人员的青睐,在图像处理、模式识别、地质勘探、医学成像诊断、数值计算等各个方面都有不俗地表现。近年来,小波分析开始被引入经济与金融领域,作为处理经济金融时间序列数据的工具。金融时间序列是经济与金融领域中最重要的数据,包括债券、汇率、股票价格和金融期货价格等等,对这类数据进行分析、预测是整个经济和金融活动的重要工作。本文以金融时间序列为研究对象,采用小波分析和神经网络相结合的组合模型对其进行分析和预测,并使用上证综合指数进行建模和预测,取得了良好的建模效果。本文首先从金融时间序列分析的理论发展过程对论文的选题依据进行了说明,对时间序列研究的发展历史做出了回顾,总结出研究时间序列的两大类方法:计量模型法和数据挖掘法,并讨论了两种方法各自的优势和劣势。然后简要介绍了数据挖掘的原理,紧接着着重介绍了神经网络的理论基础以及在使用神经网络进行建模过程中要注意的问题。接下来对小波理论进行了介绍,讨论了连续小波、离散小波的特点和各自的使用场合。并给出了常见小波函数的性质和特征,以及离散小波分析中的常用算法:Mallat算法和多孔算法。最后使用上证综合指数进行建模:首先利用小波变换对是上证综合指数进行分解,得到尺度变换序列和各级小波变换序列,然后对尺度变换序列使用ARMA模型进行拟合,对小波变换序列使用神经网络进行拟合,最后用小波重建技术将各个模型的结果加总。我们使用这个模型对上证综合指数进行了预测,并和普通BP神经网络模型的预测结果进行比较,取得了良好的预测效果。