本文选取了2007年1月至2017年4月最近十年的沪指日收盘价数据,并利用公式r_t（28）lnc_t-lnc_t-1得到对数收益率序列,其中_tr和_tc为第t天的日对数收益率和收盘价。应用时间序列的GARCH模型族和机器学习的vSVM算法及其改进算法对该对数收益率进行建模,应用各个模型对未来收益率的波动率进行预测,最后比较各个模型在预测性能上的优劣。首先,对该对数收益率进行基本的统计分析之后,发现了其“尖峰肥尾”,并且“左偏”的非正态的分布形态。其后,通过统计检验,发现序列并非白噪声并且序列平稳,考虑对其进行ARMA建模。对建模之后的残差序列进行统计检验发现,残差序列并非白噪声,存在明显的ARCH效应,并且残差平方序列长期自相关,因此继续应用GARCH模型族再对残差序列建模。本文分别采用GARCH（1,1）和EGARCH（1,1）对ARMA模型建模之后得到的残差序列进行建模,并对收益率未来的波动情况做出预测.其次,应用数据驱动的支持向量机算法来对波动率进行预测。本文采用了vSVM,归一化-vSVM,和小波-vSVM三种支持向量算法,从不同的数据处理和分析的角度来对波动率模型进行学习并做出预测。其中,vSVM是Scholkolf等在标准SVM算法基础之上提出的改进的SVM算法,归一化-vSVM是应用做了归一化处理之后的数据进行模型学习,而小波-vSVM是针对金融数据的多尺度特性,应用了小波核函数的vSVM算法。应用三种vSVM算法对历史数据进行学习,并通过学习得到的模型对收益率未来的波动情况做出预测。最后,针对以上不同的模型,应用均方根误差和平均绝对误差两种损失函数,对不同模型的预测性能进行比较分析,最终结果认为vSVM算法在预测性能上稍好于传统的GARCH模型族,而GARCH（1,1）在预测性能上稍好于EGARCH（1,1）模型。在本文应用的所有模型里,以归一化-vSVM算法的预测性能为最优。