金融数据作为一种具有高噪声、非线性的复杂时间序列数据,常被作为时间序列研究者的首选。股票市场作为金融市场的代表性数据,可以用其来衡量金融市场的发展情况。为了研究股票市场的发展趋势,将分析股票市场方法分为两个方面:基本面分析和技术分析。基本面分析从国家宏观指标、经济政策等方面出发,结合金融经济理论,分析股票的趋势;技术分析则是通过研究股票市场的数据,提出相关理论以及研究技术指标等发现股票趋势。股票市场的波动反映了国家经济的变化,在当今经济全球化的背景下,研究股票市场的发展趋势以及各国各地区之间的经济相关性是至关重要的。作为一种技术分析策略,机器学习方法抛除基本面原因直接从数据出发,研究其中的内在规律,通过将股票市场数据作为输入,可以输出对未来发展的预测。从研究效果上看,机器学习方法为研究金融数据的发展提供了一种新思路。本文的研究内容主要为以下几方面。首先,我们建立了一种基于支持向量机与核主成分的KPCA-SVM模型。选取上证指数、香港恒生指数、日经225指数、美国纳斯达克指数以及德国DAX30指数近30年的原始数据和通过原始数据得到的MACD、KDJ等技术指标以及30天内的开盘价相关数据作为自变量,对第二天的涨跌和收盘价进行预测,预测的性能指标表现优秀。其次,由于金融数据是一个时间序列数据,而KPCA-SVM模型忽略自变量之间的自相关性,在未进行时间序列处理的前提下,将前30天的数据作为可能影响结果的自变量处理。KPCA-SVM模型的结果与传统的时间序列ARIMA模型预测结果进行对比,结果发现支持向量机在回归预测方面的性能指标均高于ARIMA模型。最后,将KPCA-SVM模型运用在其他股指上,对比其对其他股指的分类回归预测效果。结果表明,该模型具有很好的泛化能力,作用在各股市指数上均有很好的预测效果,最低的分类准确率为73.6%,且对收盘价预测的趋势与原数据趋势保持一致。在此基础上为了研究股指之间的相关性,进一步分析影响的作用方向。计算三年之间各大股指之间的Pearson相关系数,结果发现,研究时间越短,各大股指之间相关性越高,研究股指长时间的相关性可能会造成信息损失,导致结果偏差。