量化投资通过数量化方式和现代金融理论与投资实践相结合并运用计算机技术进行交易的一种新型的投资方式。量化投资究竟其实质,乃是交易思想与逻辑的数量化模型运用计算机的实现。量化投资的基础理论知识包括:多因子选股、趋势跟踪、风险控制、数据挖掘、市场走势形态识别、概率统计、小波分析、多项式回归、时间序列、波动率计算、资金流向、市场情绪分析、支持向量机、配对交易、动量突破与反转、市场微观结构等[1]。本论文对量化投资的概念、相关内容和主流的量化投资系统进行阐述,并介绍了一个基本的量化交易系统的结构和相关设计。并对支持向量机模型、算法及其在投资决策中的应用进行了研究和探讨,同时针对支持向量机中的参数优化和核函数选择这两个关键技术问题,运用交叉验证算法进行参数优化,并根据沪深300股指期货市场历史数据的回测结果来选取合适的参数,以提高模型的预测性能,为决策提供参考。本文对沪深300股指期货指数日交易数据进行处理,需要保留其低频的、趋势性显著的信息,同时对高频的、不稳定的、随机的噪声信号,进行平滑处理,减少其对支持向量机模型学习效果的影响。本系统研究通过小波分析技术,利用此项技术来消除交易数据的噪声,并充分保留原信号的有效特征,得到了较为平滑的股指序列。处理完成后的股指序列能够减少噪声无序信号的干扰,能够让序列主要的趋势比较明显的呈现出来,也使得之后的学习效果更加的显著,并能得到分类准确性比较高的模型。根据预测未来走势上涨或者下跌,来确定买入或者卖出的操作。利用支持向量机理论设计量化交易策略模型,该模型包括开仓规则、平仓规则和止损规则。依照前120个交易日的经过小波降噪的交易数据作为因变量进行训练拟合,后1个交易日的指数涨跌为自变量,如此滚动训练和预测。回测时间选定为2015年1月1日到2015年12月31日,使用这个时间段的历史实际交易数据,得到年化收益为63.91%,最大回撤12.33%的结果。但收益率在行情转折时波动较大,稳定性可进一步提升。最后针对模型稳定性以及如何增加盈利、降低风险,提出改进的想法。