中国股票市场的变化对整个国家的市场经济动态而言是密不可分的,在推动我国国民经济增长上产生了重要的影响。相对于西方发达资本市场,我国当前股市主要的智能投顾策略仍有一定的缺陷,在机器学习领域,参数的优化会直接对各模型的核函数和运行性能产生重要影响,参数设定主要依靠个人经验,不一定找得到全局最优且缺少客观性,这些问题导致了一些散户投资者和企业投资商在投资上的失误。因此对模型参数的寻优以及股票的预测进行研究并以此指导广大投资者合理投资,具有重要的意义。为了更好地进行预测,本文在支持向量机模型的基础上建立了结合核函数与参数寻优的预测模型,在径向基核函数、sigmoid核函数、多项式核函数以及线性核函数下分别使用了网格搜索法、遗传算法、粒子群算法对支持向量机的参数进行寻优,以此增强模型在实际中的应用性。本文首先总结了支持向量机算法以及对其优化方法的研究进展;然后阐述了支持向量机的理论基础;接着提出构造出基于参数优化的支持向量机预测模型的思路和所用算法的理论基础;最终将其应用在金融市场上,对选定的股票池中短期股票价格进行了预测,并进一步完成了股票的智能投顾策略,为股票投顾策略的分析提供新的视角和思路。实证结果表明:三种参数寻优算法下,预测结果均比随机预测精度要高,这说明对支持向量机参数调优来对模型进行优化是有效的。其中,径向基核函数下使用遗传算法参数寻优的支持向量机表现出最好的预测效果,在股票市场的预测中最接近真实值,粒子群算法支持向量机预测效果稍逊于网格搜索法。另外,通过对比实验得出,BP神经网络的预测精度比调参前的支持向量机模型预测结果还差。最后,本文利用训练好的模型进行股票智能投顾方案策划。回测结果显示,本方案累计收益率跑赢大盘,最大回撤和夏普比率均好于参数调优前模型的预测结果,在未来可以考虑使用调参后的支持向量机建立起股票智能投顾模型用来投入实际应用。基于本文模型建立的方案策划,削弱了个人投资者在资本市场上的弱势状态,避免了一些情绪投资的出现,对我国量化投资的发展起到了积极的促进作用。本文建立的模型与神经网络模型或者其他的传统人工智能算法相比,更具有经济适用价值,可以给投资者在一定程度上的指导。