1.目的及意义

对于股票价格预测的研究，已有研究结果显示，支持向量机相较于传统的股票价格预测方法与现在的神经网络预测方法而言更加适合具有非线性、非参数特征的股票价格预测。也有一些人已经使用了支持向量机来预测股票价格，但是传统的支持向量机回归分析只能最大限度拟合过去股票价格的变化趋势，以此来对股票价格进行粗略的点预测，而这样的预测精度并不高。想要得到更加精确的结果，还得对股票价格变化趋势和变化空间进行预测，这就需要引入模糊信息粒化。本文研究的目的就是期望通过支持向量机将模糊信息粒化后的上证指数数据来对开盘指数进行回归预测，从而得出在未来3至5天内上证指数开盘指数的变化空间。同时，本文将在核函数选择与参数优化方面，通过分析讨论国内外的研究成果，选取最适合的一种核函数与最适合的方法来寻优。最后还将结合信息粒化之后的支持向量机回归与未信息粒化的支持向量机回归的预测效果，来和其他的股票预测方法进行比较，以验证精确度最高的预测方法。本文的研究意义如下：

（1）理论意义

本文在前人研究的基础上，不仅进行了支持向量机的回归预测，还进一步结合信息粒化来预测开盘指数未来的趋势与变化空间，经过参数调优，增加了模型预测的准确度，两种方法的结合为之后股票价格的研究提供了参考。

（2）实践意义

股票预测是投资市场发展以来人们研究的焦点，从传统的证券投资分析法到今天的数据挖掘方法，不论方法预测的准确与否，都给投资者提供了一条参考路径。而基于支持向量机的预测方法经过前人的研究表明，相比于其他方法更加适合股票价格非线性的特征。因此，本文所做的研究是将当下数据挖掘中最新最适合非线性特征分析的方法用于股票价格的预测，在实践上，能协助投资者在投资活动中不被多变的股票市场所干扰，使其更加客观理性地看待价格波动，最终做出正确的投资决策，以获得收益。

2.国内外研究现状

支持向量机是Corinna Cortes和Vapnik等于1995年首先提出的，它产生的后几年也就是本世纪初就开始应用于股票价格的预测，在这过去的接近20年中，研究者们利用支持向量机在股票的预测上得到了许多不朽的成果，这些研究成果也将作为基石，指导后来的研究。

（1）国外研究现状

在支持向量机被发现之前，金融预测领域最流行的预测技术是BP神经网络，然而在支持向量机出现的后几年，就有人发现了BP神经网络不可忽视的缺点。2001年Francis EH Tay与LijuanCao通过与BP神经网络对比来研究SVM在金融时间序列预测中的可行性，他们在研究中就提出BP神经网络存在许多缺点，包括需要大量控制参数，难以获得稳定的解决方案以及过度拟合的危险，而SVM为BP神经网络提供了一种有前途的金融时间序列预测替代方案^[1]。这几乎是最早的利用支持向量机预测股票的研究，当支持向量机的优势显现出来后，随后股票价格研究的焦点就放在了支持向量机上。