股票价格指数是用来反映不同时期股价变动情况的相对指数，是衡量股市变化的一个测量器，也是投资者做出投资决策的参照标。股指作为一种重要的金融数据，具有非常强的不确定性和非线性，这种特点也导致了对股指的研究和预测存在相当大的难度。不少学者从统计学的原理出发对股指进行研究，取得不错的效果。近些年来，关于支持向量机在股指方面的应用也成为一个热点。而且出现了许多不同的衍生理论模型，如对模型的改进以及利用生物进化方法优化算法的一系列的模型等。本文在前人的基础上，考虑到股票市场自身具有的一种长期趋势性和一种短期不确定性，试图预先将这两种性质分别进行研究，尽可能排除彼此间的干扰，通过这种对原始数据的预处理，由此将小波数据分析技术引入股指的研究，因为其具有很好的时频局域化特性，能降低股价数据的噪音干扰，更好地把握数据内在的关联性，为之后预测模型选取较好样本数据，也从一定程度上改善预测效果。本文主要内容有：首先总结了股指预测方面的研究现状和各种预测方法的研究进展；之后阐述了小波数据分析技术和支持向量机的理论基础；其次，依据支持向量机在预测时所存在的问题，引出自适应遗传算法这一优化算法，重点分析了支持向量机存在参数难以选择的问题，并且探讨了如何通过自适应遗传优化算法来弥补这一缺陷；最后，在此基础上，进行具体模型的构建及应用。本文主要方法是：首先利用小波数据分析技术对原始的股指价格序列进行预处理，目的是用小波技术除去原始数据中的噪音，以便于充分提取价格序列内隐含的波动和趋势信息，这样可以很好地把握序列的波动性和内在的关联性，也可以提高预测的精度；接着建立基于小波分析和自适应遗传算法——支持向量机的模型进行智能化训练以达到较好的预测效果；最后将实际的股指价格数据应用到建立的模型中，进行股指价格预测的实证研究。实证结果表明：通过小波分析技术进行数据预处理最终有利于提高预测的精度，且其预测精度也比一般未改进的支持向量机模型和其他预测模型的精度要高，拟合效果也较好。且与传统预测模型相比，其预测方法具有更高的经济价值和发展前景。