随着中国金融市场的不断发展壮大,对海量行情数据的处理、预测能力越来越被人们看重。本文意在通过对现阶段机器学习类模型的研究学习,为资本市场交易者提供一点新的思路想法。在对应用支持向量机模型文献的学习总结过程中不难发现:因为需要精确的量化结果,现阶段的研究重点大都在利用该模型的回归分析功能对行情的收益率进行预测,然而支持向量机模型更多时候却是在解决分类性问题上表现更好。因此本文提出一种新的建模思路,使得研究不再依赖于预测精确收益率结果,将现实中的待解决问题转化为分类型模型。本文在详细介绍市场分形理论以及改进版的模糊支持向量机模型之后,以商品期货中的铜品种为实例,系统地说明了模型的构建过程,并在实验中证明了其预测的准确可行性。首先通过市场分形理论,对行情进行结构化分形系统处理。因为结构化之后的行情方向不再需要预测,此时研究重点便从预测具有正负的精确收益率转化成为后续行情波动率大小的分类问题;此后进一步将行情走势的类型进行枚举分类,使得每个走势类型具备了自相似性质。这一步骤在很大程度上减少了,未来利用模糊支持向量机模型学习时由于不同走势类型混在一起所造成的训练噪声;最后将行情走势类型特征数据代入改进后的模糊支持向量机模型,这样通过模糊隶属度概念规避掉训练样本内的野点噪声,经过参数估计和交叉验证之后完成实验,得到最终结果。不难看出,经过决策函数筛选之后的预测概率相比基础概率有了很大提升,说明模型效果较好。