经典统计理论在处理低维数据的分类和估计问题中做出了巨大的贡献。20世纪90年代美国的Vapnik提出了支持向量机(Support Vector Machine,SVM)理论,主要是针对小样本建立一个新体系,不仅充分考虑了渐近问题,还可以在有限条件下得到问题的最优解。目前支持向量机主要在分类和回归问题上有广泛的应用与研究,而在预测方面还有很大的推广空间。在实际的金融数据中,时间序列数据间是相互依存、相互关联的,金融市场过去和现在的发展变化规律,会直接影响到金融市场未来的发展水平。利用时间序列分析理论进行合理的建模,依靠历史数据样本,对未知数据进行预测,进一步推测金融市场未来的发展趋势及其风险价值,以期尽量减少不必要的经济损失。在实际应用中,建立的时间序列模型只是对实际数据的近似逼近,而非完全吻合,所以对未知数据的预测有待考证。一般情况下,分别采用不同的模型进行建模和预测,然后经过比较分析,在抉择哪种模型的准确率和精度更高。本文首先简要的介绍了一些时间序列的基本理论,并分别列举出几种时间序列模型和条件异方差模型,然后在此基础上比较详细的介绍了支持向量回归的原理、算法及实现过程。并将此方法应用于西南证券股票的日收盘价和上证指数进行验证,也与传统时间序列的预测方法进行比较,发现支持向量回归的预测精度更高,这体现出支持向量回归在对金融时间序列的预测方面的确具有良好的有效性。