金融数据分析主要是围绕描述性与预测性这两大任务进行的,其中描述性任务主要根据一些多元统计分析方法描述数据集中关系特征,而预测性任务一般是对事物数量方面进行分析,通常通过建立模型对数据结构进行近似,以已知解释变量的观测值预测目标变量的未来值,这种任务也是金融数据分析中最基本的问题。针对预测问题,传统金融数据分析方法主要包括时间序列分析方法与回归分析方法,虽然这两者均可以通过建立模型对未来数据作出预测,但是模型选择过程中的不确定性往往会增大预测模型偏差,这就需要一种新的思路来研究金融数据。模型平均方法作为研究金融数据的有效方法,不仅可以为准确的预测分析提供有力的工具,而且还可以为规避风险与偏差提供重要的技术支持,在许多领域有着广泛的应用前景。模型平均方法是把来自不同模型的估计值或者预测值通过一定的权重平均起来,以极小化样本内预测误差为目的的方法。它作为一种复杂的数据分析方法,可以有效地弥补模型选择过程中的不确定性,减少有用或特有信息的遗失,降低估计或预测的风险,其中组合权重的选择是这种方法的关键问题。本文主要针对预测问题围绕频数模型平均方法来研究金融数据,首先简单介绍了几种模型选择准则和模型优劣评价指标与几种传统的金融数据分析方法及其特点和发展趋势,然后分别对无穷阶自回归模型、自回归条件异方差模型及一般回归模型基于模型平均方法进行金融数据分析,并通过模拟及实例验证得到较为理想的结果。