尽管股票市场的短期预测目前还没有较为准确的方法,但这一领域始终都吸引着人们的目光,许多研究工作者依然在为寻找更准确的预测方法而努力。采用统计方法,根据历史数据的分布特点建立模型并预测股价的方法是更加客观的技术分析方法。从整体来看,目前对于中国大陆股票市场的研究以经典的时间序列模型为主。然而经典的时间序列方法往往对数据有较高要求,股票价格数据很可能无法满足,而模糊时间序列模型则是一种较好的替代方法。该方法自提出后,经过20多年的发展,已在不同领域取得了越来越广泛的应用,其中对股票价格的分析则是该方法较为常见的应用领域。本文正是采用了模糊时间序列模型的改进方法,对上海证券综合指数进行了分析及预测。建立模糊时间序列模型的四个基本步骤为:论域的定义及划分、模糊集的建立及数据样本模糊化、模糊关系的建立、以及数据逆模糊化。本文在前人工作的基础上,根据所研究的股票价格指数数据的特点对原有方法进行了以下改进:给出了一种基于高斯混合聚类的论域划分方法;采用高斯隶属度函数对数据样本模糊化;结合所选取的隶属度函数,给出了一种参数可调的数据逆模糊化方法,突破了现有方法往往只采用模糊区间中点进行逆模糊化的局限;在对测试集数据进行预测时,给出了一种基于核函数的动态模糊关系建立方法。之后应用给出的改进方法分析了上海证券综合指数,根据预测结果评价了本文方法的优点及不足之处,并结合技术分析本身的特点以及国际市场行情的变化,分析了预测误差产生的原因。从预测结果上来看,本文的方法所得到的预测值的走势与数据真实值相吻合,当股票价格指数波动幅度较大时,本文方法依然具有较高的预测精度。对于未知的测试集中的股票指数数据,当不产生新的模糊关系时,本文的方法同样具有较好的预测效果。相对于现有模糊时间序列方法,本文所给出的改进方法具有更低的预测误差。