金融市场对国民经济的作用不断提高,无论是政府还是投资者,都对金融市场价格行为的研究具有较大兴趣。金融时间序列的K线化,可以有效降低金融数据噪音。依据统计概率,某些特定单根或者多根K线组合出现后,在后续一段时间内通常会跟随固定的变化趋势,称之为特征K线。简单的特征K线和某些指标的组合是常用的技术分析方式,但依靠人的主观经验很难寻找到这种复杂的组合关系。利用人工智能算法,则更有可能寻找到其中错综复杂的关系。本文的主要研究内容包括两部分。第一部分是先对金融时间序列数据进行特征K线化处理,然后在合作协同演化算法框架下使用传统SVM对数据进行建模分析。对金融时间序列数据进行特征K线化处理的方式可以有效降低金融时间序列数据的噪音。传统SVM是一个优秀的分类器,运行速度较快,适合金融数据高频交易的应用场景。合作协同演化算法具有优化大规模模型的能力,可以提高模型的分类精度。本文第二部分提出重建训练集支持向量机和轮盘赌合作协同演化算法。重建训练集支持向量机(Reconstructed Training Set Support Vector Machine,RTS-SVM)是本文针对金融时间序列数据的高噪音和分布不均的特点而提出的一种新的支持向量机。“软间隔”支持向量机建模后,原训练样本数据依据分类边界划分成三类不同的数据集。根据每类数据集对模型精度的影响,对数据进行取舍,重新建立新的训练集,从而提高分类预测结果。使用轮盘赌策略改进合作协同演化算法,常用的合作协同演化算法是逐次优化每个子部件,但有的子部件对模型精度的贡献很小,却获得同样的优化次数,增加了建模时间。而本文的轮盘赌合作协同演化算法(Roulette Cooperative Coevolution algorithm,R-CC)则是依据每个子部件对模型精度贡献值的占比,分配优化概率,对模型精度贡献大的子部件会改变更多次,降低模型的时间复杂度,提升模型的优化效果。