支持向量机(Support Vector Machines,简称SVM)是建立在统计学习理论的VC (Vapnik-Chervonenkis)维理论和结构风险最小原理基础上的一种机器学习方法。SVM算法的本质是取有代表意义的支持向量来构造最优超平面,实现样本的支持向量机分类和支持向量机回归。本文对统计学习理论和SVM以及经验风险最小化原理进行了阐述。对支持向量机算法的主要内容进行了详细的介绍和分析。对传统的统计预测技术做了一个简单的回顾,包括一元线性回归,多元线性回归,非线性回归,灰色系统等。传统的统计预测只适用于比较简单的模型,而现代金融数据的特点有数据类型多,关系复杂,动态性,数据量大。提出了加权最小二乘支持向量机算法并确定了权值系数的插值方法。并利用加权最小二乘支持向量机回归对上证地产业类指数进行预测,并与BP神经网络的预测结果进行了比较。金融工程研究中时常碰到小样本问题,这主要是由于已有样本的数量与样本的维数相比不够大,此时采用SVM算法来研究就比较合适。针对股票市场的高噪声,强非线性和不确定性等特点和以往传统的神经网络预测方法存在的不足,对标准最小二乘支持向量机方法优化,运用给各个样本的惩罚系数和误差要求赋予不同权重的加权最小二乘支持向量机方法结合滚动时间窗来学习建模。对上证地产业类指数的建模和预测表明,该算法具有良好的预测精度和抗燥性能,是对股市进行分析和预测的一种可行而有效的方法。