波动率作为度量股市风险的重要工具之一，一直受到学界和业界的广泛重视，而对波动率的预测研究主要集中在统计方法和人工智能方法方面。最近，支持向量机(SVM，SupportVector Machine)作为一种新的机器学习方法，由于其在模式识别和函数回归方面的不俗表现，得到了国内外学者的广泛关注。　　 支持向量回归建立在结构风险最小化原则的基础上，它既考虑了训练样本的拟合性又考虑了训练样本的复杂性，具有较好的拟合效果。但模型中的参数选择是很重要的，它将直接影响到它的泛化效果，但目前还没有通用的参数选择方法。　　 本文在对现有的SVM参数选择方法进行研究的基础上，提出了一种基于二次自适应调整的混沌粒子群优化算法(Double Adaptive Chaotic Particle Swarm Optimization，DACPSO)的参数选择方法。粒子群优化(PSO)算法是一种较新的群集智能方法，它同遗传算法类似，是一种基于迭代的优化工具，系统初始化为一组随机解，通过迭代搜索最优值。　　 然后建立基于SVM的波动率预测建模一般框架，对波动率的估计模型和最优时间间隔进行了研究，得出了有效的波动率估计方法，为提高模型的学习训练效果与预测精度提供了条件。　　 最后，基于SVM模型对中国不同阶段的股市波动率进行了预测研究，并对预测结果做了相应的分析与比较，结果表明应用了基于DACPSO的支持向量回归算法的参数选择方法后，模型预测精度有所提高，对混沌粒子群优化算法进行二次自适应调整，从而提高种群的多样性和粒子搜索的遍历性，因而有效地提高了PSO算法的收敛速度和精度，对提高基于支持向量机的波动率预测模型的预测准确率有一定的参考价值。