在西方国家,量化投资经过了长达三十多年的发展后,在证券投资市场上的应用非常广泛。由于中国市场的特殊发展环境,刚刚进入中国的量化投资概念因其自身的优越性,拥有着非常广阔的发展前景。本论文以量化投资理论为背景,区别于大多数传统的企图预测出完整未来股价曲线的预测方式,将股票价格曲线的预测问题转化成股票价格曲线是否处于翻转状态的问题,期望可以利用机器学习算法训练出一个能判断当前时间股价是否处于向上或向下关键拐点的模型。当股价处于向上关键拐点时,可以买入股票实现盈利,当股票处于向下关键拐点时,可以卖出股票实现止损,希望可以为股票投资者在决策层面上提供对投资者有一定指导性的建议。在支持向量机分类模型的训练工作开始之前,如何利用计算机的优势高效且可靠的在历史数据中采样是本文要解决的重点。为了解决传统的拐点识别方法在阈值选择和拐点效果方面的诸多不足,本文提出基于多项式拟合的离散数据趋势关键拐点识别。通过大量的对比实验证明,使用基于多项式拟合的离散数据趋势关键拐点识别方法识别出的关键拐点在其引领的上涨趋势的涨幅以及持续时间上,有更好的应用效果。本文区别于其他的股票预测方法,在支持向量机的训练过程中,创新的使用MACD、KDJ和换手率等对股价趋势有一定反映的技术分析指标来作为特征向量,将基于多项式拟合的离散数据趋势关键拐点识别法应用到这些技术分析指标中,生成相应的特征向量。选择径向基核函数对训练集进行训练,并利用遗传算法和交叉检验对径向基核函数的两个自选参数进行寻优,获得最优的分类模型。经过多次实验选出一个预测精度最优秀的分类特征组合并以此为最终的特征向量,使用该特征向量组合训练得出基于该特征组合的向上关键拐点和向下关键拐点分类模型。最后通过反复实验证明使用基于多项式拟合的离散数据趋势关键拐点算法进行采样并使用支持向量机建立分类模型预测股票趋势预测相较于传统的单独使用技术分析指标预测,拥有着更高的预测准确率,可为投资者提供一定的投资建议。