近年来，股票市场在我国发展迅速，已逐步成为金融业必不可少的组成部分，受到投资者的普遍关注。但是，股票市场是一个极其复杂的动力学系统，高噪声、非线性和投资者的主观性等因素决定了股票预测的复杂和困难。本文在分析考察传统预测分析方法的基础上，针对当前使用最广泛地神经网络存在的不足，建立了一种新的预测方法，对股市进行预测。并与目前应用较多的BP神经网络预测方法进行了比较，证明了该方法具有比神经网络预测方法更优的预测效果。 本文将支持向量机(SVM)引入股市，利用其结构风险最小化、推广能力强，能保证找到的极值解就是全局最优解等优点，克服了以往神经网络方法存在的易陷入局部最小、推广能力差、过学习、欠学习等不足。 SVM学习当中，其推广能力很大依赖于参数C、ε、和核函数参数。参数的选择也是SVM学习的重点、难点。本文利用遗传算法强大的全局搜索能力，使用遗传算法来对SVM的参数进行优化。 由于股市是一个极其复杂的大系统，难以收敛，导致计算时间较长。本文使用一种类似聚类的方法减少了训练集规模，提高了训练速度，且不影响预测精度。 本文没有象传统的预测分析那样对大盘指数或开盘、收盘等即时价格进行预测。而是利用移动平均线具有的趋势性、稳定性特点和成熟简单的分析方法，对周均价进行预测生成移动平均线，为投资者的分析提供了一种新的选择。 实验表明，SVM和遗传算法结合的方法提高模型的推广能力，对周均价的预测比传统的方法更具趋势性。本文的研究表明SVM和遗传算法在股市预测当中有着良好的前景。