技术分析方法
技术分析是股票市场中投资者分析股票价格涨跌趋势最常用的方法之一。主要用于短期市场预测。最常用的方法是k线分析和切线分析。技术分析方法的理论基础基于以下三个假设，即“所有与股价相关的信息都包含在市场行为的范围内”，这是核心；其次，“股价以某种趋势变化”，如果这个假设不成立，那么技术分析方法就失去了意义，所以这是其最本质的前提；最后，“历史会重演”。这个假设是从实际投资者的心理角度提出的。相信过去股市出现过的趋势规律在未来仍会有很大概率重现，未来股价只是过去股价的重复。因此，支持技术分析方法的投资者认为，有必要对过去股市的整体走势进行深入细致的研究，以预测股价。
基本分析方法
基本面分析法通过股票市场的外部环境因素来衡量当前股价是否真实反映了股票的内在价值，即股票长期是否具有投资价值；股票市场的外部环境因素包括宏观和微观，宏观包括国内外宏观经济环境、国家出台的经济金融政策等。包括微观上市公司的财报披露和重大人事变动，投资者的相关情绪等等。运用基本面分析方法，综合判断和考虑每只股票的市值，并与股价进行比较，选择最佳股票组合。其理论基础是，所有金融资产的所有收益流的现值都等同于内在价值。比技术分析方法更容易操作，常被大多数投资者作为辅助分析方法使用。但有时会受到内幕交易等方面的影响，因此预测准确率较低。因此广泛用于中长期趋势预测，对短期股市预测作用有限。
时间序列分析方法
金融领域的学者在计量经济学、统计学、数学等理论方法的基础上，通过对股票市场数据的长期实证分析，实现了提高股票价格预测准确性、全面把握股票价格变化趋势的目的，并形成了时间序列分析方法。主要的分析方法有时间序列预测、概率预测、组合预测等。常见的模型有向量自回归模型、移动平均模型、自回归移动平均模型、广义自回归条件异方差模型等。通常模型是基于平稳时间序列构建的，假设等时间间隔的随机序列数据的均值和方差是常数，任意两个周期的随机序列的协方差只与该周期的间隔有关。由于这种模型结构是基于时间序列数据的平稳性，因此在建模之前必须对数据的平稳性进行检查，对不稳定的数据必须进行预处理。随着时间序列方法的深入探索，考虑到金融数据的非平稳特性，提出了自回归滑动平均模型和自回归条件异方差模型。其中，自回归移动平均模型和广义自回归条件异方差模型是一维金融数据研究中常用的模型。
时间序列分析需要研究人员的专业理论知识和对股票市场的熟悉程度。股票市场数据的建模和预测大多基于片面的模型和经验。因为股票市场在现实生活中受到许多方面的影响，而定性预测模型需要包含许多前提条件，如均衡假设和正态分布等。，而股市数据本身具有高噪声、时变性等诸多复杂特征，往往无法满足这些假设，使得时间序列分析方法在股市投资分析中的实际应用受到很大限制，模型本身也不具备自适应、自学习的能力[20]。因此，模型预测的股价与实际股价相差较大，模型的准确性较低。而且利用时间序列分析方法巧妙建模，意味着对投资者和分析师的理论背景和专业知识要求极高，因此实际应用程度较低。
机器学习预测方法
由于股价走势形成的原因复杂，往往受多种因素影响，呈现出非线性、剧烈波动的特点。传统的时间序列分析是基于线性时间序列，需要检验数据的稳定性，并做出严格的假设。没有考虑股市数据的非线性特征对价格的影响。因此主要用于学术研究领域，但在股市运行中的实际应用通常拟合效果不理想，股价预测准确率较低。现在世界已经进入人工智能时代，以前的统计方法已经不适合大数据分析的特点和要求。为了在海量数据中捕捉各领域事物的具体发展规律，数学家们提出了机器学习算法，该算法具有速度快、效率高的特点。与时间序列分析方法相比，一是不需要做出多项严格的假设，二是建模时不需要掌握非常专业的统计理论知识。因此在金融领域应用广泛，有利于根据实际情况制定量化投资策略。
机器学习算法是以应用心理学、概率论、统计学、计算机科学等理论为基础的多学科交叉学科，研究计算机如何通过大数据模拟人脑来实现自身的学习行为。可以分为三类:有监督学习、无监督学习和强化学习。在金融量化投资领域，许多投资者和股市研究者已经开始将机器学习算法融入量化投资策略的制定中。通过K-means聚类、BP神经网络等算法对金融数据进行建模并进行深入研究，在处理高噪声、非正态、不稳定的股市数据时表现出一定的优势。因此，大量金融领域的学者利用机器学习算法，结合其他数据，研究如何准确预测股票价格。例如，将金融新闻信息与股票数据相结合，利用LSTM神经网络建模来探讨金融新闻对股票市场的影响。
