预测问题一直以来都是学者们研究的重点,随着人工智能的迅速发展,越来越多的学者将机器学习运用到预测研究中,并尝试改进优化算法以提高预测精度。其中SVM(支持向量机)作为机器学习的代表,能较好的解决非线性和高维数等问题,在预测方面具有较大的优势。LSSVM(最小二乘支持向量机)是一种基于SVM的改进算法,将二次规划问题转化为线性求解,大大简化了SVM的求解过程,加快了求解速度。Markov(马尔科夫)模型是一种简单有效的模型,其表现为将来的状态只与现在的状态有关,而与过去的状态无关,对于随机动态非线性的数据有较好的预测能力。LSSVM模型和Markov模型都被广泛的运用到经济金融的预测当中,但单个模型在预测中都存在着预测精度低的问题。而将合适的不同预测模型进行组合优化,是提高模型预测精度的一种有效方法。因此本文为了提高单一模型——LSSVM模型和Markov模型的预测精度,以预测上证综合指数价格为背景,提出了LSSVM-Markov组合模型。首先优化LSSVM模型,其次为了减小模型的预测误差,利用Markov模型对LSSVM模型的预测误差值进行修正。本文的主要研究内容如下:(1)对LSSVM及Markov模型相关理论知识进行研究。(2)从核函数选择和参数优化两个方面研究LSSVM模型,同时利用粒子群算法和网格搜索法优化此模型并进行对比。(3)构建LSSVM-Markov组合模型,对上证指数进行实证对比分析,并用该模型对沪深300指数和香港恒生指数进行预测。最终实证结果表明,粒子群算法比网格搜索法的优化效果更好,粒子群算法优化后的LSSVM模型具有更好的泛化能力;LSSVM-Markov组合模型的预测精度要优于单一的优化后的LSSVM模型,对比ARIMA模型及SVM-Markov组合模型也有更好的预测能力,且该组合模型对其它股指价格的预测也同样有效可行。