股票市场是一个复杂的非线性动态系统,为了保证股票投资者的利益,通过预测股市波动的情况来把握股票市场的发展规律以降低股票的投资风险显得很有必要。国内外很多研究者通过研究,建立了一些有效的证券价格预测模型。时间序列模型、ANN模型、GA模型等根据自身的特点,从不同角度解决了证券价格预测各方面问题,其预测结果有一定的理论和现实意义。然而这些方法都有其各自的局限性,它们在预测过程中容易出现的过学习、欠学习、局部极小值和维数灾难等问题。SVM模型能够较好地解决这些问题,被广泛的应用到证券预测领域得,并取得了很好的成果。首先,介绍了股市的相关背景知识以及现有的股市预测的方法,指出各个预测方法的不足之处。然后简单的介绍了统计学习理论相关知识,最后具体描述了支持向量机算法的相关理论知识。其次,将支持向量机方法用于股市预测,提出了支持向量机方法进行股市预测的基本流程。试验过程把上海综合指数作为研究对象,以基础指标作为输入变量,根据不同时期的收盘价和成交量设计9组方案。通过9组对比试验,将试验结果指标化,找出精度最高的方案。最后确定收盘价和成交量在股价预测中的时间有效性。然后,设计支持向量机预测模型。选择4类技术指标作为输入变量,根据数据预处理过程中不同的阶段,设计2组方案。方案10以相关性分析后剩下的技术指标作为输入变量。对方案10的输入变量做因子分析,有效减低输入变量的维度,提取主成分。方案11以因子分析提取的主成分作为输入变量。最后,根据11组方案的预测结果进行对比。得出结论:1、在SVM方法预测过程中,选用输入变量时,基础指标要比技术指标能更好的提高预测精度;2、在SVM方法预测过程,基础指标中的收盘价和成交量作为输入变量有3天的有效性。