按研究手段，我们可以将技术分析方法分为传统技术分析方法和现代技术分析方法。以系统理论的预测方法在股票预测中的应用为界，之前的为传统技术分析方法，之后的为现代技术分析方法。

一般来说，传统技术分析方法对于中长期趋势的预测效果优于短期趋势预测，分为图表类和数学类的预测方法，包括K线理论、切线理论、形态理论、波浪理论、循环周期理论、随机漫步理论、回归分析法等。

以下是股票预测的几种常见的分析方法：

（1）时间序列分析法 

时间序列法的主要手段是对各类数据用相应的模型去近似描述，从影响因素的角度，时间序列法可以分为单因素分析法和多因素分析法。文献[5]对两种分析方法进行了对比，发现多因素分析下的数据预测精度显然高于单因素分析法，且优势较为明显。

（2）基于模糊预测方法 

股票价格的影响因素来自于方方面面，多种多样，这就使得股票的价格变化十分复杂且具有一定的随机性，难以用准确的数学模型来模拟价格走势，而模糊逻辑就特别适宜用来描述这一类复杂的过程。可以将模糊预测过程看作一个模糊逻辑推理系统，预测的参数作为系统的输入，预测量作为系统的输出，在一定的输入下，系统会依据逻辑规律做出预测[6]。

（3）灰色预测方法

灰色系统理论是邓聚龙教授于二十世纪80年代首先提出的，经过三十多年的发展，已经成为了一套较为完善的理论系统。灰色预测法，是在自变量与因变量之间存在着某种数学关系或满足某种条件，而同时掌握的数据的不够全面充分且具有不确定性的情况下，就会使预测处于一种半明半暗的状态，因此称之为灰色预测。根据灰色系统理论预测方法而建立的模型为灰色模型（Gary Model），简称GM模型。建模的基础和核心思想就是对原始数据灰化处理再进行建模，对生成变换后的数列建立微分方程型的动态模型，即GM模型[7]。

（4）神经网络预测方法

人工神经网络是一个并行的分布式的信息处理网络结构，具有非线性的映射功能和联想记忆功能，特别适用于股市预测这一类高度时变且非线性的问题。特别是Matlab中的神经网络工具箱使得人工神经网络的应用越来越广泛。神经网络具有分布处理、自训练、能容错等优良特性[8]，在处理股票预测这样一个极其复杂的非线性系统是可行的、有效的。其中，研究重点在于样本选取与预处理、神经网络拓扑结构选择（包括：神经元个数、隐层数、输入输出函数等）、网络的自适应能力等方面。

将灰色系统与神经网络有机的结合起来，构建灰色神经网络GNN（Gray Neural Network），两种方法优劣互补，相得益彰，有助于进一步简化模型并提高精度、降低预测误差