大数据时代的到来,给数据挖掘带来了新的挑战,如何在海量的数据中挖掘有用信息成为一大课题。模糊信息粒化模型通过将信息粒化成模糊粒子,能够大幅度降低信息的复杂度,简化问题求解过程,减少运算量。隶属函数作为模糊粒化约束规则直接影响信息粒化效果。本文将基于不同隶属函数的模糊信息粒化模型和支持向量(回归)机模型结合,组建混合模型,对上证指数进行回归分析,寻找使混合模型预测效果最佳的隶属函数。上证指数实证分析的结果表明,基于不同隶属函数的混合模型对模糊粒子中值R的预测结果相同,其中基于非对称抛物线型隶属函数的混合模型的范围预测结果精确度和可靠度最高。然而,常见的以时间t为自变量的混合模型,预测误差与数据波动情况有关,模型预测效果受数据时间性的影响,范围预测结果的精确度和可靠度达不到理想要求。同时,相邻两个时间窗口范围预测的周覆盖比CCR和周可靠比CRR变动较大,模型预测的稳定性较差。为了剔除模型受数据时间性的影响,本文摒弃常见的以时间t作为自变量的假设,引入上证指数每日最高点、每日最低点、每日收盘点、每日成交量(万手)和每日成交额(亿)作为自变量,重新组建混合模型。从实证分析的结果来看,该种做法能够有效排除数据时间性对预测结果的影响,大幅提高范围预测的精确度和可靠度。同时,该种混合模型得到的相邻两个时间窗口范围预测的周覆盖比CCR和周可靠比CRR变动较小,模型预测的稳定性较高。