低频、可靠的预测买入或卖出的关键交易事件,是实现金融交易高回报、低风险的有效途径。金融序列的过去值对未来值有直接或者间接的影响,这导致了关键交易事件具有上下文依赖性,交易关键点在相对应的上下文子序列中才有意义。本文首先从价格相对强弱指数RSI和交易量相对强弱指数RSI中提取不同特征组成辅助序列R。根据辅助序列R,定义了圆弧底形态RB和圆弧顶形态RT上下文子序列和其中的关键交易点,并设计相应分割算法自动分割获得RB和RT上下文子序列和相应的交易关键点。金融市场的波动性和噪音导致交易关键点是随机的,我们需要对其随机性进行研究才能做出可靠预测。基于测度理论,本文提出了一个事件映射模型来正式定义这种随机性,并将序列中的交易点通过映射函数在一个低维和规范化的度量空间Q中进行表示,将交易关键点的预测问题转化为度量空间Q中关键事件的预测问题。根据测度理论,当映射函数是单调的时候,关键事件发生的概率可以通过Q中嵌套的随机事件的概率来近似。由于关键交易事件的稀疏性,本文设计基于LSTM的神经网络模型来学习这个事件映射函数,在训练过程中,把获得的上下文子序列分割成不同的数据块,和对应的交易关键点组成新的训练集,来解决稀疏性带来的不平衡问题。基于测度论的单调收敛定理,预测过程采用多个随机样本点来估计关键事件,可以认为是介于超采样和数据增强之间的一种方法,最后再根据预测结果的统计收敛属性做出交易决策。本文称这种方法为渐近统计学习算法ASL。本文在算法ASL的基础上还提出了改良版本,基于上下界的渐近统计学习算法UL-ASL。算法UL-ASL引入了上下界逼近的概念,分别从价格的上边界和下边界逼近该点,同时收敛时,确定交易关键点。这样做使得决策过程更加准确,鲁棒性更强。通过实验表明,在选取的相关股票,标普500指数以及加密货币等六个真实数据集上,算法ASL和算法UL-ASL对比十二个现有交易算法,可以从大量随机事件中预测出稀少的关键交易事件。分别考察回报率（RoR）,夏普率（SR）和最大回撤率（MDD）三个指标,在不同的市场行情下,算法ASL和算法UL-ASL性能均优于其他算法。