股票市场是一个错综复杂的系统,存在众多因素影响股票收益。如何科学有效的选择合适的股票进行投资是关注的热点,也是金融投资领域研究的重要方向之一。股票分类的关键在于股票特征的选择和分类模型的确定。股票分类就是在公司财务指标和股票收益之间建立某种映射关系,再利用这种映射来预测未来股票收益。但由于股票价格现象是一个非线性系统,传统的股票投资分类价值研究方法有诸多不足,需要面对学习能力、维度灾难等挑战问题。在机器学习和数据挖掘领域,支持向量机(SVM)和人工神经网络(ANN)是两种经典的非线性分类模型,已被广泛研究和应用。但在实际应用中,他们的泛化能力和学习效率往往受数据质量的影响,难以达到人们预想的目标。对于像股票财务指标这样包含了许许多多冗余特征、不相关特征甚至噪声特征的数据,相关研究表明,通过有效的特征选择可以提高分类器的效率和预测精度。基于此,为了提高支持向量机和神经网络的泛化能力及模型训练效率,需要首先研究面向股票财务指标的特征选择问题,选择对股票分类有显著影响的指标或因素;在此基础上,研究它们对股票分类投资的预测精度和预测效率问题。本文选取了上海证券交易所2013-2017年A股5672家公司的历史数据,以股票收益率为输出变量,采用多种特征选择方法从中剔除不相关和冗余的指标,选取了18个对股票投资分类有显著影响的财务指标构造样本数据集,尽可能多地保留原始数据信息的同时,实现空间维度降维并提高数据的质量。接着,以二分类(股票收益率为正或为负)为例,通过SVM和BP(后向传播)神经网络建模,从数据中学习这些重要指标和股票之间的非线性映射关系,利用其机器学习算法良好的学习能力构造SVM和BP神经网络分类模型,并利用其泛化能力,预测感兴趣股票的未来收益情况。在此基础上,比较和分析SVM和BP神经网络两种分类器对股票分类投资的预测性能。横向和纵向对比实验结果表明,Relief特征选择效果最好;基于特征选择的支持向量机模型比BP神经网络模型有更好的分类预测精度。