针对支持向量机（SVM）、长短期记忆（LSTM）网络等智能算法在股市波动预测过程中股票评价特征选择困难及时序关系维度特征缺失的问题，为能够准确预测股票波动、有效防范金融市场风险，提出了一种基于改进遗传算法（IGA）和图神经网络（GNN）的股市波动预测方法——IGA-GNN。首先，利用相邻交易日间的时序关系构建股市交易指标图数据；其次，通过评价指标特性优化交叉、变异概率来改进遗传算法（GA），从而实现节点特征选择；然后，建立图数据的边与节点特征的权重矩阵；最后，运用GNN进行图数据节点的聚合与分类，实现了股市波动预测。在实验阶段，所研究的股票总评价指标数为130个，其中IGA在GNN方法下提取的有效评价指标87个，使指标数量降低了33.08%。应用所提IGA在智能算法中进行特征提取，得到的算法与未进行特征提取的智能算法相比，预测准确率整体提升了7.38个百分点；而与应用传统GA进行智能算法的特征提取相比，应用所提IGA进行智能算法的特征提取的总训练时间缩短了17.97%。其中，IGA-GNN方法的预测准确率最高，相较未进行特征提取的GNN方法的预测准确率整体提高了19.62个百分点；而该方法与用传统GA进行特征提取的GNN方法相比，训练时间平均缩短了15.97%。实验结果表明，所提方法可对股票特征进行有效提取，预测效果较好。

针对三点和四点爬山算法对随机置换盒(S盒)的非线性度进行优化时计算量大及效率低的问题,提出了一种组合式爬山算法(CHC)。该算法把交换S盒两个输出数据的行为定义为一个交换元,利用加权择优函数,筛选出若干个对非线性度的提升贡献较大的交换元,然后通过同时应用多个交换元,达成提高S盒非线性度的目标。实验中利用CHC算法,一次最多交换了12个输出数据,使得大部分8输入8输出随机S盒的非线性度超过了102,最高可达106。实验结果表明,所提出的CHC算法相比于三点和四点爬山算法,不仅降低了计算量,而且对随机S盒的非线性度也有着更为明显的提升作用。