伴随着经济体制的逐步成熟以及人们对股市关注度的提高,股票市场作为宏观经济的“晴雨表”,预示着一个国家经济的走向。但股票市场高度复杂化、非线性、不确定性等特点,使其价格波动的预测异常困难,因此,传统的计量结构模型和时间序列模型不足以满足股票数据的预测要求。支持向量机是一种新型机器学习技术,它是建立在统计学习理论、最优化理论以及结构风险最小化原理的基础上,能够较好的解决小样本学习,同时避免了“维数灾难”、网络收敛速度慢、容易造成局部极小化等缺点。目前该技术已在多个领域得到成功应用,主要应用于数据的分类和回归问题。随着对金融时间序列研究的不断深入,人们逐渐发现自回归条件异方差模型对市场波动性的刻画比较准确,并且具有一定的预测能力。为准确识别、测量金融市场的风险,将VaR引入我国股票市场是势在必行之举,这些都对分析股市经济含义,方法金融风险具有重要参考价值。本文首先介绍了支持向量机的相关理论,接下来对时间序列模型及风险价值进行说明,通过选取沪深300指数和个股股票价格为研究对象,对其建立条件异方差模型,并利用基于CARCH类模型的VaR值来描述股市风险的实际情况,经过不断优化选择ε-支持向量回归机模型的参数最终确立模型,并且采用支持向量回归算法与条件异方差模型相结合的方法对沪深300指数进行预测,推测未来趋势。最后,通过预测值与真实值之间的对比。得到几种模型的预测精度和预测效果。本文结果表明,支持向量机的预测精度要优于其他模型,对股票数据的预测效果比较令人满意,由此可见,支持向量回归算法对股市的预测具有一定的有效性。