股票市场与我国社会经济的发展具有高度关联性,对股票市场进行投资分析的主要内容就是分析及预测股票价格的涨跌,而股票指数作为反映股票市场价格总体水平的指标,它的波动能为股票市场投资者提供有效的投资信息,但对其波动进行预测一直是金融市场分析的热点和难点。一些传统的股票指数预测方法难以对其波动进行准确且有效的预测,针对这一问题,本文提出将粗糙集和最小二乘支持向量机相结合以对股票指数进行预测研究,希望可以给股票指数预测研究提供一定的参考依据。本文的研究内容如下所示:首先详细地阐述了有关股票指数预测以及指标约简方法的国内外研究现状,并对学者们的现有成果进行总结并分析了他们研究方法的不足之处,基于此,本文构建了以RS-LS-SVM模型为基础的股票指数预测方法;其次介绍了如何构建RS-LS-SVM模型以及该模型的性能评估方法;接着详细阐述了RS-LS-SVM模型的处理步骤,构建了一套包含开盘指数、最高指数、最低指数、收盘指数、成交量以及技术指标在内的27个指标所构成的初始预测指标体系,以及对RS-LS-SVM模型的其它步骤,如数据离散化、指标属性约简以及模型回归等步骤的处理方法都进行了介绍;最后选择上证指数(000001)、深圳成指(399001)、创业板指(399006)以及标普500(SPX)2019年全年的交易数据作为研究样本,除标普500(SPX)有252组数据外,剩余三个样本都有244组数据,在MATLAB软件中进行了四次三组模型的对比实验,每次对比实验又都进行了20次的随机实验,在MATLAB中利用预测模型对上述四大指数的样本交易数据进行拟合预测,并对各模型的预测效果进行了评价。得出的结论如下所示:(1)实验基于上证指数(000001)、深圳成指(399001)、创业板指(399006)以及标普500(SPX)这四个样本分别取得了四个完全不一样的特征指标约简体系,说明在预测对象不一样时,有效指标也是有区别的;在实际应用方面,即使是相同的指标针对不一样的样本对象也是存在区别的。因此,利用模型进行预测之前,运用粗糙集进行属性约简就显得尤为重要,属性约简不仅能够降低数据冗余,还可以提高模型预测准确性,本文构建的初始指标体系可以预测我国股票指数的波动情况。(2)实验结果证明了RS-LS-SVM模型进行股票指数预测的准确性以及适用性。针对上证指数(000001)、深圳成指(399001)、创业板指(399006)以及标普500(SPX)的多次实验结果表明:根据MAE以及RMSE这两个指标数值的对比结果显示RS-LS-SVM模型的预测效果都比RS-SVM和LS-SVM模型的预测效果更好。可以看出,将RS与LS-SVM相结合并运用到股票指数预测中,不仅能降低模型的难度,还可以提高模型的求解速度以及预测准确度,具备一定程度的创新性。从而为预测股票指数波动的研究以及投资者做出决策提供一定的参考依据。