现在越来越多的人选择通过买卖股票来达到财产的增值。众所周知,股市是高风险的投资市场,投资者如果只凭直觉和经验来投资的话,会很容易遭受严重的财产损失。所以,一种科学有效的股票筛选方法可以缩小投资者的选股范围,帮助人们做出更好的投资决策。本文正是着眼于此,通过改进支持向量机(SVM),提出一种基于模糊动态SVM集成模型的选股方法,来研究股票投资中关键的基础问题——股票选择,为投资者投资股票提供帮助。本文总结回顾国内外相关问题的研究现状,系统阐述了SVM相关的理论,分析了股票选择的影响因素。探讨了改进SVM集成模型选股的必要性,根据以往研究的缺陷,本文提出利用惩罚参数动态化、模糊隶属度来改进传统SVM,由此构建基于模糊动态的SVM集成模型,以提高传统SVM集成模型的选股准确性和适用性,同时描述了模糊动态SVM集成模型实施步骤。文中选取深沪两市的2714家上市公司为研究对象,采用2015年5月1日到2017年4月30日的四组不同行业的实验样本,运用模糊动态SVM集成模型进行了实证分析,结果表明利用此模型选择的股票超过了行业内的平均收益率,其选股结果有助于投资者进行股票选择时缩小选择范围,高效地做出具体的投资决策。在此基础上,将基于模糊动态的SVM集成模型与传统SVM集成模型的进行了预测收益率和预测误差对比,结果显示模糊动态SVM集成模型在准确性上都有了明显的提升,进一步证明改进SVM集成模型的有效性。