随着我国股票市场建设的发展,社会直接融资在金融市场占据越来越重要的作用,社会资金的流动与配置与股票市场息息相关,上市公司可以通过股票市场融资来获取资金,企业想要筹措资金、扩大生产就离不开股票市场,投资者也可以在股票市场上进行投资来获取收益,因此对股票市场进行深入研究越来越重要。随着深度学习的发展,越来越多的研究学者将它运用到各个领域。由于股票市场的复杂性、非线性以及影响因素的多样性,传统的股票价格或收益率预测模型存在一定的弊端,无法有效应对股票市场的波动性,而机器学习能有效发现数据的隐含关系,更好地拟合非线性数据,提高分类或预测的准确性。因此,将机器学习引入股票市场预测模型中,构建泛化能力更强的模型,提高股票市场预测模型的准确性,对股票市场有着非常重要的参考意义。为了实现对股票价格变化的短期预测,本文基于前人的研究,提出了利用粒子群最优算法同时优化相空间重构和最小二乘支持向量机的参数,将优化相空间重构和最小二乘支持向量机联系起来,从而实现参数组合的最优,使整体模型达到最优化。此外,由于预测模型的预测误差不仅包含随机误差,还包含由预测模型自身性能导致的误差,为了使这种误差降到最低,使模型中仅剩余非线性的随机误差,本文引入误差补偿技术,构建基于LSSVM模型的迭代误差补偿模型,通过对预测误差的学习,实现对预测结果的补偿和修正。