伴随着全球信息科学技术的不断进步,越来越多的研究学者开始借助机器学习的方法来研究资本市场.用现有方法对资本市场指标进行分析时存在许多问题,如要求投资者具备一定的投资经验和能力,投资决策受投资者情绪波动影响较大,资本市场扰动因素众多难以具体量化分析等.近年来,量化投资凭借其独立性、时效性和系统性的特点,逐步从机构投资者向越来越多的个人投资者中普及.本文用支持向量机理论(Support Vector Machine,SVM)构建量化择时模型对沪深300指数的相关数据进行分析.对SVM量化择时模型中特征指标和模型参数等内容进行研究,通过实验验证了所建立模型的可行性和有效性.具体地,本文的主要研究内容有:1.为了解决传统投资方法中技术分析和基本面分析的缺点,本文选择沪深300指数为研究对象,提出基于SVM理论的量化择时策略.通过建立模型对行情历史数据进行训练,并将预测结果与实际行情对比.最后引入相关分析指标评判模型的优劣,通过实证检验了模型的可行性.2.为了消除沪深300指数行情数据中的噪声,最大限度保留数据的主要信息,本文选取了13种具有代表性的市场指标作为样本特征指标.通过对特征指标数据进行离散化处理,使原本连续的行情数据转化为具有二值特征的数据,进一步减少行情中的噪声对SVM量化择时策略模型的影响.3.为提升预测精度,本文对SVM核函数中的关键参数惩罚因子C和不敏感系数γ采用网格搜索和交叉验证的方法进行寻优.与其他研究方法只对核函数参数寻优一次相比,本文建立的模型实现了在每次训练和预测前,都对核函数参数进行寻优并更新.通过本文研究和实验结果表明,通过构建SVM量化择时策略模型预测沪深300指数走势,具有较高的可行性和准确率.采取本模型进行辅助投资一定程度上可以获得超额收益,对投资者决策具有一定的参考价值和指导意义.