随着金融全球化进程的不断加快,中国金融也更深更广的融入到世界经济中。为能更好更快地适应金融全球化带来的全新经济环境,精确的金融市场预测扮演着不可或缺的角色。金融时间序列作为金融市场中最重要的数据类型之一,对其进行准确合理的预测能够有效地指导金融投资者的投资行为和政府调控行为。鉴于时间序列分析应用的广泛性,目前已有众多学者对其进行了各方面的研究。但由于金融时间序列本身具有的高频性、多维度、非线性、模糊性等特征,极大地增加了对金融时间序列进行分析的难度。近年来模糊时间序列在时间序列分析上的应用备受瞩目,针对如何提高模糊时间序列预测模型的精度,目前主要集中在如何客观有效划分论域区间及如何建立有效的模糊逻辑关系矩阵这两方面进行改进与创新。本文在前人工作基础上,提出两种新算法对模糊时间序列中存在的这两个问题进行改进。具体内容总结如下:(1)为能有效构建模糊逻辑关系,本文将信息熵概念引入到模糊集中,使得模糊集能较合理地对数据集进行模糊化处理。通过对阿拉巴马大学入学人数、上证综指、道琼斯工业指数、美元对日元汇率等数据集的预测结果表明,信息、熵的引入使模糊集具有更好的适应性及鲁棒性,同时也大大降低了计算隶属度的复杂性,使得算法具有较好的可执行性。(2)为能客观有效地对论域区间进行划分,本文利用粒子群优化算法的随机搜索性能得出全局最优位置,即论域区间中点。通过与众多已存在的金融时间序列预测模型对比,该算法的引入能很好地解决模糊时间序列中存在人为划分论域的不足,同时也极大地提高了模型的预测精度。