股市交易信号的预测一直以来都是投资者们面临的最重要也是最具挑战性的难题之一,近年来国内外学者们对股市投资的研讨也越发激烈。股市不稳定、非线性的特点使得传统金融理论及传统线性预测措施成效一般,而支持向量机凭借其在非线性小样本中出色的泛化能力得到了广泛的应用。HS300指数是本文研究的主题,利用统计学中的主成分分析技术来提取众多技术指标中的主要特征向量作为模型的输入变量,而在模型的选择上,采用加权支持向量机来解决实际操作中样本间类别不平衡的弊端,从不同类别样本占比及交易信号重要性两个方面分别设置参数,改善了简单支持向量机中只能对所有类别施以相同惩罚的缺陷,从而提高整体分类精度及重要类别的分类精度。在参数选取层面,结合网格搜索法和交叉验证法进行参数寻优来获得预测效果最佳的分类模型。因此,本文结合加权支持向量机（WSVM）、主成分分析（PCA）、网格搜索法、交叉验证法,构建了基于最佳参数的PCA-WSVM模型。在实证中,将PCA-WSVM模型、PCA-SVM模型以及WSVM模型对股市涨跌的预测效果进行对比,并且在上涨和下跌周期以及平稳和波动市场中分别进行对比,发现PCA-WSVM在保持一定的整体分类精度下能够比PCA-SVM正确预测到更多买入卖出信号。最后分别在单边做多市场和双边交易市场中进行回测,得出了 PCA-WSVM量化择时策略能够以更低的风险获取较好的收益的结论,更加适合风险回避投资者。