股票市场建立以来,能否通过历史数据预测股票走势,并取得超额收益一直是投资者关心的核心问题。自Eugene Fama率先引入有效市场假说(Efficient Markets Hypothesis,EMH)以后,许多学者便开始对股票市场是否有效展开探究。如果股票市场是弱有效的,那么将历史数据输入预测模型,期望超越大盘,这种行为便是徒劳的。相关研究指出,股票市场本身是非线性混沌系统,在长期内无法预测,而进行短期预测则存在可行性。而传统的金融时间序列模型多基于平稳性、正态分布等统计学假设,构造线性计量方程,如ARIMA、GARCH等,但是由于股票市场的复杂性和多变性,这些假设往往跟实际不符,预测效果自然较差。随着数学、计算机等相关领域的发展,人们开始将人工智能算法引入股市预测,支持向量机算法便是其中非常典型的算法。支持向量机算法在处理非平稳、非线性等问题上具有较突出的优势,在股价预测方面效果良好。但是股票价格往往受到各种信息的干扰,含有较多的“噪声”,支持向量机算法无法排除这些噪声的干扰。而小波分析的引入,则能解决这个问题。小波分析同样是人工智能领域的常用算法,它能够将股价分解成若干细节信号和近似信号,通过设定合适的阈值去除噪声,使得股价趋势更加平滑,能够反映不含噪声的有用信息。本文将小波分析引入支持向量机算法,以此来提高模型在样本内拟合和样本外预测的准确性。针对小波去噪,本文首先通过研究选出合适的小波族和滤波器长度,结果表明CoifN的效果优于DbN和SymN,并且在滤波器长度为4时去噪效果最优。之后,本文采用Coif4小波基函数,通过多孔算法将股价序列分解成5层,对第5层和第4层细节信号强制去噪,其余3层细节信号以及近似信号保持不变。最后,本文比较小波去噪引入前后对支持向量机预测模型造成的影响。结果表明,小波去噪的引入,不仅能够提高样本内拟合的精度,还能提高模型对样本外未知数据预测的准确性。通过简单的量化策略分析发现,小波去噪的引入,还能显著提高夏普比率、最终收益等量化指标。