股票市场是一个复杂的非线性动态系统，利用传统的时间序列预测技术很难揭示其内在的规律。目前，关于股市预测的研究方法仍然以神经网络和时间序列为主。并且，这些方法基本上采用的是通过批量学习建立静态模型的方法。对于类似股票指数的非线性时间序列，随着新样本的不断获得，如果能根据新样本实现模型动态更新，则能够适应问题的变化，提高预测精度；如果能实现增量学习，则能避免大量样本的重复训练，缩短训练时间，提高训练效率。 本论文在研究了股票数据的特点以及人们对股票预测的研究结果后，根据传统的SVM算法原理，提出了一种动态选择训练样本的在线增量训练的方式完成模型的更新的动态预测模型(DMDI)，将以仅增加较小工作量为代价而获得更高的预测精度成为可能。 我们应用这个基于SVM的动态预测模型(DMDI)，对股市的大盘和个股的走势(涨或跌)以及股票指数分别进行中短期预测，并跟神经网络的预测结果进行了比较。大量数值实验表明，DMDI模型比不进行选择的静态模型和神经网络模型对股票走势的预测更为有效，具有明显的优越性。