股票指数的预测是一个受多因素影响,指数动态波动的非线性复杂系统。股票指数的准确预测能够为证券投资决策提供参考依据。伴随着计算机软硬件系统的发展,机器学习方法越来越多被应用到社会发展的各个行业。在股票指数预测方面,当前预测方法已逐步从传统统计分析方法向人工智能分析方法进行转变。本文应用小波分析对沪深300指数的开盘价进行重构分解替换原样本数据中的开盘价,构建两个不同的样本数据,采用支持向量机回归(SVR)模型预测了沪深300指数的开盘价,SVR模型参数的优选通过网格搜索法(GRID)、粒子群算法(PSO)和遗传算法(GA)来调试。结果表明,基于原样本数据建立的三种支持向量机预测模型均能全面反映股票指数的时变规律,并具有较高的预测精度。其中,遗传算法-支持向量机回归(GA-SVR)模型得到最小均方根误差(RMSE)为14.730,最小平均绝对百分比误差(MAPE)为0.375%。在此基础上,根据沪深300指数的开盘价走势,将SVR建模数据分成平稳段市场、涨跌段市场和波动段市场,分别对分段样本进行支持向量机回归预测,通过比较模型预测结果优选每个分段样本的最优模型。平稳市场的预测结果分析中,网格搜索法-支持向量机回归(GRID-SVR)模型的预测精度最高,其RMSE为5.650,MAPE是0.197%。涨跌市场的预测结果表明,基于含小波分解重构序列的样本数据建立的网格搜索法-支持向量机回归(WT-GRID-SVR)模型预测表现最好,(RMSE,MAPE)的值分别为(20.727,0.435%)。基于含小波分解重构序列的样本数据建立的粒子群算法-支持向量机回归(WT-PSO-SVR)在波动市场的预测中表现出最佳的预测性能,其(RMSE,MAPE)的值分别是(13.148,0.322%)。本文的实证结果表明,SVR模型能有效预测沪深300指数第二天开盘价。而在涨跌市场和波动市场中,样本数据经小波分解重构后能够明显提升SVR模型的预测精度。