股票市场是一个相当复杂的系统，股票价格的变化受到经济、有关行业、政治及投资者心理等多种因素的影响，各因素的影响程度、时间范围和方式也不尽相同；且股市各因素间相互关系错综复杂，主次关系变化不定，数量关系难以提取及定量分析，因此我们需要寻找一种好的方法来避免或减弱这些因素的影响。
金融时序时间小波预测原理
现在常用的时间序列分析法主要是建立自回归模型(AR)、移动平均模型(MA),自回归一移动平均模型(ARMA)和齐次非平稳模型(ARIMA )，其中ARIMA模型是较成熟的模型，常被用来对股价(最高价、最低价、开盘价、收盘价)及综合指数进行预测，通过选择模型的参数和辨识模型的系数实现对时间序列的拟合，进而用拟合好的模型对未来进行预测。然而以上这些预测方法对于平稳时间序列均有较好的作用，对于非平稳时间序列则表现得不尽如人意。
小波函数具有自适应性和变焦特性，能有效地处理非平稳信号，可以将信号分解到不同的频率通道上。由于分解后的信号在频率成分上比原始信号单一，并且小波分解后对信号做平滑处理，然后重构分解信号，这样非平稳时间序列经过处理后，成为近似意义上的平稳时间序列，就能用一些传统的预测方法对分解重构后的时间序列进行预测了。
采用小波进行金融时序数据预测的原理如下：使用Mallat算法对数据进行分解，对分解后的数据进行平滑处理，然后再进行重构，而重构之后的数据就成为近似意义的平稳时间序列，这样就得到了原始数据的近似信号，再应用AIC准则定阶法判定AR[p]模型的阶数。用最小二乘法估计参数αt的自相关系数p是否趋近于零，若趋近于零，模型适用，然后用AR[p]模型对重构后的数据进行预测，将预测结果与实际值进行比较，再与直接利用AR[p]模型对数据进行预测得到的预测误差均方根值进行比较，得出结论如图12-2所示。
图12-2 金融时序数据预侧中小波方法和传统方法的区别
