自金融市场建立开始,就处于一个多空博弈的环境中,并逐渐出现各类的分析方法,其中有基于国家政策环境与供求关系的基本面分析法,或者单纯基于数据指标的技术分析法,技术分析法的发展为量化交易提供了理论与实践基础。国内金融市场飞速发展,使各类投资者参与热情增高,数据量和交易频率急剧增大,对交易速度要求提高,市场间的数据相关性更加复杂,量化交易所占比重越来越大,相应在金融中利用模型算法来进行量化交易的比例越来越高;同时,计算机性能的不断提升,使基于高频指标的量化交易成为可能。1952年建立的均值方差模型,作为数理工具第一次被引入到金融研究中,随后神经网络,决策树等方法陆续被引入量化交易中,使得量化交易得以迅速发展。对金融时间序列的研究表明,历史行情对未来行情走势特征有一定指导性和预见性,从而使利用模式识别的分析金融数据指导量化交易成为可能,其中隐马尔科夫模型在多种数据识别领域和预见领域有很好表现。本文对连续隐马尔科夫模型与算法在金融数据上的应用进行研究,其主要工作内容与成果如下:1、对国内外交易算法的发展做了深入研究,针对算法在未来金融市场上的不足以及国内金融市场的具体环境,提出运用连续隐马尔科夫模型对金融数据进行分析和预测。2、对整个连续隐马尔科夫模型系统的发展和算法理论进行全面研究,对模型的识别,解码,学习过程等进行算法分解,并对三类过程在金融上的应用进行研究。同时针对特定的金融数据与模型的算法过程,提取处理股票与期货数据,运用分类选取、小波去噪和构建平稳指数等方法设定模型系统样本数据与各类参数,以完善模型在金融数据下的应用。3、通过实例来详细分析整个模型系统在国内金融市场的应用方法,并利用实际交易数据验证整个模型系统,然后运用识别与解码过程对模型的适应性进行研究,得出连续隐马尔科夫模型能够很好识别金融数据中的模式特征。在此基础上,运用模型的学习过程提取金融数据中的走势特征并进行强化,将结果反馈到更新后的模型中。最后,通过更新后的模型预测沪深300股票数据以及期货数据的未来走势,并进行仿真交易。通过对仿真交易的成功率,累计收益,交易次数等进行研究对比,表明连续隐马尔科夫模型在对提高累计收益,减少交易次数,降低冲击成本上有较好表现。通过本文的研究,提出了一套连续隐马尔科夫模型在金融上的整体应用方法。依据对实际数据应用分析和对比,证明模型在金融数据的特征提取与预测未来走势等应用上有一定的可行性,为量化交易策略与算法的发展提供理论与实践支持。