金融是现代经济的核心,关系着国家经济社会发展的大局。在经济发展全球化、国际金融市场一体化的今天,局部地区金融市场的波动很可能会引发影响世界的连锁反应。同时随着我国经济的快速发展、市场经济制度的不断完善、居民生活水平的不断提高以及人们的投资意识日益增强,越来越多的资金涌入了金融市场。因此,深入了解和预测金融市场的运行规律对国家、金融机构和投资者来说都至关重要。金融市场受到众多因素的影响,是一个庞大的、高度复杂的、动态的系统,因而对金融市场的预测研究难度是相当大的。金融时间序列是复杂的金融市场的综合外在表现形式,通过对金融时间序列的分析和预测,可以发掘金融市场潜在的内在关系和规律,为金融市场中投资者和决策者提供重要参考依据。伴随着信息科学和计算机技术的发展,数据的获取和储存更为方便,汇聚了大量的金融数据,为金融时间序列预测的研究提供了基础。同时近年来大数据、人工智能以及现代数学的发展为时间序列预测提供了新的研究方向。金融时间序列预测的研究已成为当今学术界和实务界的一个热点。大量与金融时间序列预测研究的有关文献表明,单一的预测模型,无论是线性的传统统计学模型,还是非线性的计算智能方法,都无法描述金融时间序列的所有特征。将多个不同类型的方法、模型以一定的准则组合起来,进而建立混合预测模型,可以有效地改善金融时间序列预测的精确性和稳定性。基于此,本文对金融时间序列混合预测模型进行研究,重点研究了计算智能方法、控制论方法以及数据处理方法等有关领域的最新研究成果,进而构建了一系列金融时间序列混合预测模型,以预测金融市场中金融品种价格的每日走势。本文的主要研究内容及成果可分为以下几个部分:首先,本文使用一个差分自回归移动平均（Autoregressive Integrated Moving Average,ARIMA）模型与基于跟踪微分器（Tracking Differentiator,TD）的泰勒展开预测（Taylor Expansion Forecasting,TEF）方法相结合的混合模型,将其与ARIMA和TEF单一模型进行比较,通过实证说明ARIMA-TEF混合模型较单一模型有更高的预测精度,再次验证了混合模型的优越性。其次,对TEF模型进行了改进,提出了更加合理的ARIMA-TEF混合预测模型。具体来说,针对常增益跟踪微分器估计导数时,初始状态会出现“峰值”问题,而变增益跟踪微分器会减弱该问题,因此,本文引入变增益跟踪微分器以取代常增益跟踪微分器。同时对泰勒展开预测模型的阶数从理论和仿真实验两个方面进行了合理的分析,构建了预测精度更高的泰勒展开预测模型。最后,为验证提出的混合预测模型的有效性,将神经网络模型以及结合神经网络的混合模型作为基准模型,选取真实的黄金和白银期货价格时间序列数据进行实证,实证结果表明,本文改进的ARIMA-TEF混合模型有更好的预测性能,并且该模型在短期预测效果明显更好。再次,为提高模型的预测性能,将集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）技术应用到金融时间序列预测中,建立了一个结合EEMD、ARIMA和TEF的混合预测模型。研究中发现,在建立模型之前,对数据进行适当地处理,进而建立模型,预测精度会明显提高。EEMD分解技术非常适合处理非线性、非平稳数据,因此本文将该技术应用于混合预测模型,建立了EEMD-ARIMA-TEF混合模型。为说明建立的混合模型的有效性,将预测性能良好的ARIMA-TEF混合模型以及结合经验模态分解（Empirical Mode Decomposition,EMD）、相空间重构（Phase Space Reconstruction,PSR）和极限学习机（Extreme Learning Machine,ELM）的混合模型（即EMD-PSR-ELM）作为基准模型。选取几只股票指数数据进行实证分析,实证结果显示,在不同的预测期内,建立的EEMD-ARIMA-TEF混合模型预测结果较其它基准模型更接近真实值,这说明该混合模型预测性能更好。最后,将新颖的变分模态分解（Variational Mode Decomposition,VMD）技术、ARIMA以及TEF模型相结合,提出了VMD-ARIMA-TEF混合模型。为验证提出模型的有效性,将基于经验模态分解、ARIMA模型以及支持向量机相结合的两个混合模型作为基准模型,以真实的股票指数日收盘价数据进行实证,实证结果表明,就预测误差和方向准确率而言,提出的混合模型比基准模型具有更强的预测性能。