在许多领域,对时间序列的研究显得十分重要,提高预测精度能够为决策者提供有价值的参考。从时间序列分析的角度对股指进行预测研究能够帮助投资者制定投资策略,获得稳定收益。在传统的时间序列模型中,ARIMA模型一直是最广泛使用的线性模型之一。但是,ARIMA模型不能捕捉时间序列中的非线性模式。SVM是以VC维理论和结构风险最小化原则为基础,在统计学习理论基础上发展而来的一种新的机器学习方法。它已成功地解决许多非线性回归估计问题。LSSVM对标准SVM进行改进,将标准SVM求解中的二次规划问题转化为相对简单的线性问题,减少了运算量,提高了模型求解的速度。整合不同的模型是提高预测精度的有效途径,特别是当组合中的模型表现出很大的差异性时。上证180股指是我国证券市场的主要指数之一。股指时间序列受多种因素的影响,其中的线性成分和非线性成分复杂地交织在一起。本文对上证180股指序列进行ARIMA建模之后,基于Khashei的建模思想,并结合上证180股指序列的特征,构建一种新型的融合ARIMA和LSSVM的混合模型对股指收盘价进行预测。将本文构建的ARIMA-LSSVM混合模型与单一的模型、传统的混合模型、BP神经网络、ARIMA-BP混合模型的预测效果进行对比分析,利用均方误差根(RMSE)和平均绝对百分比误差(MAPE)两种指标对不同模型预测精度进行度量,RMSE度量实际值与预测值之间的绝对误差,MAPE度量实际值与预测值之间的相对误差。实证结果表明,本文构建的ARIMA-LSSVM混合模型的预测性能比单一的模型、传统的混合模型以及BP神经网络、ARIMA-BP混合模型优秀。另外,传统的混合模型、ARIMA-BP混合模型的预测精度有时也低于单一的模型,说明并不是所有的混合模型的预测性能都高于单一的模型,只有将单一的模型进行适当地组合,得到的混合模型才会有更好的预测表现。