股票市场是现代金融市场中的重要组成部分。它对国家经济的发展,股份制企业和股票投资者都具有无法替代的作用。同时,股票市场的波动对经济建设也有不小的副作用。所以,对股票市场走势的分析和预测具有重要的意义。由于股票价格的影响因素非常多而且非常复杂,研究者很难对股票市场进行精确的预测。时间序列方法对股价的预测是一个较好的选择。然而股价具有非线性,高噪音和异方差的特点,这样传统的序列模型并不能很好地分析与预测股价。本文的主要工作是建立基于混沌优化方法的多尺度小波核v-支持向量机的回归预测模型,达到更准确预测股价的目的。与单尺度小波核v-支持向量机,小波神经网络和径向基函数ε-支持向量机等模型相比,这种模型可以更准确的预测股票价格的未来走势。股票市场的参与者借助这种模型可以在降低投资风险的同时获得更高的投资收益。本文首先总结了股票价格时间序列预测方法的研究进展,特别是介绍了人工智能算法与小波理论的混合模型在股票价格时间序列预测中的应用；然后阐述了支持向量机的理论基础和小波理论的基础知识。根据支持向量机核函数构造的方法,本文着重分析了单尺度小波核和多尺度小波核作为v-支持向量机的核函数的合理性。接着,本文分析了以多尺度小波核作为核函数的v-支持向量机模型处理具有非线性,高噪音特点的时间序列的优势。多尺度小波核v-支持向量机模型的参数具有个数较多,每个参数的取值范围不一的特点,使得支持向量机的常用参数选择方法--交叉验证方法不适合这一模型。针对这一问题,本文提出了混沌优化方法作为多尺度小波核v-支持向量机模型的参数选择方法。本文具体的研究方法和成果是：首先利用上海证券交易所发布的建筑指数研究了混沌优化方法对多尺度小波核v-支持向量机的优化效果。本文通过多次试验比较了粒子群优化方法,混沌优化方法和混沌粒子群优化方法对模型的优化效果,证明了混沌优化方法对模型的优化效果的有效性和稳定性。混沌粒子群优化方法的优化效果曲线显示了粒子群优化方法对从混沌优化方法中得到的优化粒子没有进一步地优化效果。接着,本文比较了多尺度小波核v-支持向量机,单尺度小波核v-支持向量机,小波神经网络和径向基核函数ε-支持向量机对上证指数的预测效果。在这次试验中,本文将上证指数分为了牛市期,熊市期和震荡期三个阶段。在每一个阶段中,基于混沌优化方法的多尺度小波核v-支持向量机取得了比另外三个模型更好的预测效果。