传统的股价波动研究方法主要是通过对时间序列自身特征的研究来推断、预测未来的序列。本文希望通过ICA方法从另一角度去分析股价:即通过分析影响股价波动的因素来分析股价波动,进而推断、预测股价的波动。独立成份分析是一门新兴的盲源分离技术,它在金融时间序列方面的应用才刚刚开始。独立成份分析的主旨是将观测到的多维时间序列信号转化成为一组相互独立的源信号。这组源信号就是本文要研究的股指变动的影响因素。当假设观测信号是由各独立的源信号线形变换而成时,那我们很容易就可以求出相互独立的源信号。但金融时间序列数据常常非常复杂,假设条件往往不能完全成立。此时独立成份分析尽可能地使源信号相互独立,从而得出更加结构化,更易于解释、预测的源信号。FastICA方法,是广泛应用的一种高效快速的定点递推算法。本文通过FastICA方法对上海证券交易所的五个分类行业指数的每日收盘价进行独立成份分析。得出的独立成份主要分为两类:第一类独立成份的波动突然、影响巨大,并且解释了股指波动的绝大部份;第二类的独立成份波动温和、微弱,但是对股指波动的解释力较弱(类似于CPI,散户效应等)。结果还表明用前几个独立成份重构还原得到的行业指数走势与原指数相当吻合。本文还尝试通过对各独立成份分别进行预测,再通过还原过程把各独立成份还原成混合信号。然后把结果与直接用AR模型对混合信号进行预测得出的结果进行对比,发现前者的效果更好。最后对以上几个部分进行了总结,并指出了本文研究的缺陷与不足之处。