支持向量机(Support Vector Machine,SVM)在分类问题上,无论是理论还是应用,都已经趋于完善。但在回归的应用上,还有很多有待完善的。最小二乘支持向量机回归(Least Squares Support Vector Machine For Regression,Lssvr)是建立在Vapnik等人提出的统计学习理论基础上,Suyken等人提出的一种学习方法。可以说,它是支持向量机的一种新的算法。它不但有良好的学习性能和解决非线性、小样本、局部极值等问题,而且参数个数少,通过求解一个线性方程组得到问题的解。目前,支持向量机已经成为一个研究的热点。本文首先阐述了支持向量机的发展过程及其相关的一些应用研究成果,并对其优势作了介绍。其次,系统地阐述统计学习理论的主要内容。同时也介绍支持向量机,最小二乘支持向量回归算法的原理和实现过程。最后,考虑到传统的ARIMA方法,Lssvr方法,马尔科夫链方法在时间序列预测上的优势,将ARIMA方法与Lssvr方法,Lssvr和马尔科夫链方法组合得到两种混合模型。前一模型是将时间序列分解为线性和非线性部分,后一模型是将序列分解为确定性部分和随机部分。将两种组合模型应用于股票指数的预测,且与ARIMA方法,Lssvr方法进行模拟比较,结果显示组合模型要好于另外两个模型。