形态分析作为一种重要的股票投资方法，已经得到了广泛的应用。技术形态是股价序列中反复出现的模式，这些模式中隐含着对预测将来股价有用的信息。 过去的股价形态如果用股票家的肉眼看，很难及时找全，针对这一问题，本文提出了一种自动搜索股价形态的算法。首先将股价时间序列归约为一系列的趋势片断，然后从趋势片断中提取形态的特征，最后使用多层前馈神经网络对形态进行分类。实验表明，神经网络能够有效地学习形态的特征，并精确地识别形态。 股价序列中最常出现的模式是什么?本文使用两种最常见的神经网络聚类算法——自组织特征图(Self-Organizing feature Map，SOM)和竞争学习算法来发现股价序列中的频繁模式。聚类数目的选择在很大程度上决定了聚类结果的好坏，处罚对手的竞争学习(Rival Penalized Competitive Learning，RPCL)算法是一种能够自动选择恰当聚类数目的竞争学习算法，然而当输出层神经元的数目远大于实际的聚类数目时，RPCL算法就失去了调整聚类数目的能力。本文改进了RPCL算法，应用于股价曲线的聚类分析，并比较了该算法与自组织特征图算法的聚类效果。实验发现，RPCL算法发现股价序列中的频繁模式的性能要优于自组织特征图算法。 各种影响股市的因素都是通过股市信息来散发到股市中去的，股市信息在所有影响股市的因素中起着一个枢纽的作用。本文试图使用SOM对互联网股市信息量曲线进行聚类分析，从而发现股市信息量曲线中的形态。结果表明，在股市信息量曲线中也存在着与技术形态类似的频繁模式。