在金融领域,对于世界各地的股票市场进行着广泛的关注,投资者想要预测未来股票价格的波动情况,以达到降低风险,获取最大收益的目的。但是,股市是一个被多因素影响的市场,这就造成了股指序列是一种十分不稳定的时间序列。对于非平稳的金融市场,研究者想要挖掘股指变动的趋势和其他更深层次的特征信息,在这样的背景下,如果能准确的预测股指的变动趋势,那么对于指导我国股票市场的交易活动有着非常重要的意义。基于此,本文提出组合模型,将周期自回归移动平均模型（PARMA）和支持向量回归模型（SVR）相结合去预测股票价格指数。本文分为三个部分,第一部分详细梳理了PARMA模型和SVR模型相关理论,包括PARMA模型的发展过程、周期结构的识别和参数估计方法,以及支持向量回归的基本思想、核函数在支持向量回归中的应用以及参数的调节方法。第二部分,基于组合模型的特点,介绍了PARMA模型的建模流程,以及SVR模型参数调优的遗传算法理论,并给出了模型的评价标准,为后文实证研究部分提供了技术支撑。第三部分,该实证部分选取2018年3月6日到2020年1月22日上证综合指数的收盘价为原始序列,分别使用PARMA-SVR模型和ARIMA-SVR模型做预测,并对两个模型的预测结果给予对比。最后选取了一段新的股指序列数据,在对新数据拟合PARMA模型和ARIMA模型,对预测的结果进行了进一步的对比分析。研究结果表明,在初步选取的股指序列中,PARMA能很好利用股指序列中的周期性,相比ARIMA模型拟合线性成分的优势来说,周期性对短期股指预测的影响更大,结果也表明PARMA的预测效果相比于ARIMA更佳。同时,对于单一的PARMA模型而言,PARMA-SVR的组合模型能提取股指序列中不同成分的信息,既提取了序列中的周期性,也利用SVR模型拟合数据中的其它非线性成分,达到了提升预测模型精度的效果,该组合模型的预测结果,是本文建立的三个模型中效果最好的。但是通过对新数据预测结果对比,我们发现PARMA并不是在所有数据上预测结果都比ARIMA好,从新序列相干统计图可以看出,它的周期性存在许多噪音,导致周期性对于序列的影响较小,相较于拟合线性成分较好的ARIMA模型,PARMA模型的预测精度较差,所以PARMA模型并不适用于所有的序列。对于新的数据,我们应该根据其特性选择不同的模型,并利用不同模型的优势,建立组合模型,达到预测精度更高的效果。