本课题的研究从金融数据的分析入手，深入挖掘股票数据的内在联系，进行A股的特征分析。同时，为了迎合市场的需求，在对经典的A股交易模型进行研究的同时加以改进，使经典的股票模型更适合现在的A股市场，提高预测性能。最后，本课题在前述的研究分析下，将会提出一种全新的RecognitionMode股票模型。

A股特征分析总结

在本课题开题的时，本人对A股可谓一无所知，无论是涨跌幅，收开盘，亦或是股票的数据，甚至连趋势图也看不明白。在开始这个课题之后，在导师的指导安排下才逐渐地对A股进行了解。

在学习的过程中，个人认为，中国股票市场仍处于一个较为初级的阶段，同时，又由于我国较西方国家不同的国家性质，所以A股市场的稳定有序性并非与其他欧美国家较为吻合。相对于欧美的市场体系来说，由于我国的国家的市场特性，也即是国家对市场的宏观调控较多，所以有时候A股市场与国家政策相关更大，市场自我调控的范围就会相对而言会比较受限。

因此，在对我国A 股市场以及A 股特征进行分析的时候，往往并不能直接套用西方国家自由经济市场体系下的理论和实践结论。由于中国市场经济的多变性以及不成熟性，在欠缺经验以及指导的情况下，对A 股特征进行统计分析，无疑是一个巨大的挑战，处于这个背景之下，对经典的股票模型的研究以及改进就显得更为困难。

关于重要点的分段方法的研究

在本课题里，研究了大量的时间序列的分段的方法。其中，作为较为符合研究A股模型的一种方法，重要点的时间序列的分段方法作为本课题的重要研究方法。与其他时间序列的分段方法不同的是，基于重要点的时间序列的分段方法并不着重于某一方面的研究，而是通过正交距离的计算来找出对于整条时间序列有着表达趋势的重要点，对原始时间序列的压缩程度来找出相应数量的重要点，在重要点之间进行连线，达到反映原始时间序列的趋势的同时也对时间序列进行了降维，提高了运算的效率。