股票市场兼有高风险和高收益的双重特性,其价格波动一直是衡量我国经济发展水平的重要指标,也是投资者和政府关注的焦点,因此对股票价格的预测就显得尤为必要。但股票价格波动具有高度的非线性性,用传统方法建立的数学模型对其预测的准确率较低。20世纪90年代提出的支持向量机(SVM)是一种基于统计学习理论和结构风险最小化原理的机器学习理论,它在解决机器学习问题、高维问题和非线性问题等方面表现出优良的特性,尤其在解决非线性问题方面,支持向量机利用核函数替代高维空间中的内积计算,巧妙地将非线性问题转化为高维空间中的线性问题。基于支持向量机在解决非线性等问题中的优势,本文考虑将其用于沪深300指数的回归预测,从两个不同的方面,利用支持向量机对股价波动作研究。一方面建立遗传算法优化的支持向量机股价回归预测模型,该模型主要通过前一日的开盘价、最高价、最低价、收盘价、交易量和交易额等六个特征指标来预测当日的开盘价。由于支持向量机核函数参数的选取对模型预测的准确性有很大影响,故本文依次采用网格搜索法、遗传算法和粒子群算法等三种优化算法对支持向量机核函数的参数选择进行了优化,通过比较分析,最终得到了遗传算法优化的沪深300指数回归预测模型。另一方面建立基于模糊信息粒化的支持向量机股价预测模型,该模型将时间作为自变量,每日开盘价作为因变量,对时间序列进行模糊信息粒化处理,使得每个信息粒包含了最低值、平均值和最高值三个量,然后对这三个量分别基于支持向量机做回归预测,以此来预测沪深300指数股价的变化范围和变化趋势。本文通过引入支持向量机对沪深300指数进行回归预测,达到了预期效果,不仅构建了遗传算法优化的支持向量机沪深300指数回归预测模型,从精确点数据上对沪深300指数每日开盘价做回归预测,而且建立了基于模糊信息粒化的支持向量机回归预测模型,从波动区间上对沪深300指数进行了更深一步的研究,进而可以更加清晰的对股价走势进行预测。