股票市场是一个复杂的、进化的、非线性的动态系统,因此股价指数预测被认为是最具挑战性的时间序列预测应用领域之一。近年来,支持向量机技术在时间序列预测应用领域取得了很好的效果。支持向量机从控制学习机器复杂度的思想出发,不同于传统的机器学习技术基于经验风险最小化原则,提出了结构风险最小化原则,力求经验风险最小化的同时,希望学习模型的推广性尽可能大。但是,由于股票市场的复杂性,单一技术(如支持向量机)很难完全挖掘出市场信息,采用多个机器学习技术以构建混合模型是解决此问题的一种途径。本文构建基于支持向量机、自组织映射神经网络和粒子群优化算法的混合模型以解决股价指数的多步预测问题。其中,自组织映射神经网络自动的根据数据间的相似性对训练数据集进行聚类;支持向量机对各类别数据集构建回归预测模型;粒子群优化算法用于寻找支持向量机建模过程中的最优超参数。不同的支持向量机能够捕捉股市的不同模式,从而该混合模型能解决股价指数的波动性问题。本文提出的混合模型采用多步预测领域中的迭代策略和直接策略,对道琼斯工业指数进行5步提前预测,并以单一支持向量机模型为对比方法,数据仿真表明:基于正则均方误差,平均绝对百分比误差指标和DM检验结果,混合模型的预测性能优于传统的单一模型。