随着荷兰东印度公司的股票在阿姆斯特丹的发行,股票作为一种投资标的问世已经超过400年。无数投资者为股票价格的波动辗转反侧,但仍然没有一种能够准确预测股价的方法。由于股价波动具有高度的非线性特点,用传统方法建立的数学模型对股价预测的准确率偏低。随着信息技术的发展,机器学习作为人工智能的重要组成部分亦得到长足发展。上世纪90年代提出的支持向量机(SVM)是一种基于统计学理论和结构风险最小化原理的机器学习理论。SVM在处理高维问题以及非线性复杂问题时表现出卓越的性能。这是因为SVM引入核函数来规避低维空间的内积计算使得非线性问题巧妙地转化为较高维度空间的线性问题从而简化了计算。最终模型的核心思想如下:先导入数据并进行数据清洗,紧接着用小波分析对原始数据集进行消噪处理,再将数据归一化或标准化,接着进行对数据降维。然后将处理过的数据导入SVM模型去训练模型。在模型的参数调优方面:选用交叉验证缩小网格搜索的范围后进行全部遍历以寻找支持向量机模型的最优参数组合来构建预测模型。然后用构建好的预测模型以及新数据对下一期的股价涨跌情况进行验证。最后对模型的性能进行评价。模型预测出的分类值表明预测下一期股价的涨跌情况。若模型预测下一期股价上涨则股票交易策略持有上证指数,若模型预测下一期股价不涨则股票交易策略清空上证指数。通过对比基于主成分分析法降维的支持向量机模型、基于线性判别分析降维的支持向量机模型、基于线性判别分析降维与小波分析的支持向量机模型的交易策略以及仅投资上证指数策略的夏普比率发现基于线性判别分析降维与小波分析的支持向量机模型去指导投资最具价值。