股票市场不仅是国家经济的“睛雨表”,更是企业融资和广大股民投资的重要手段,对股票的预测研究无论对散户投资者、企业还是政府相关政策的制定都具有重大的理论与现实意义。支持向量机是数据挖掘中的一项新技术,它建立在统计学习理论的VC维理论与结构风险最小化原则基础上,在高维模式识别、函数拟合、时间序列预测方面表现出特有的优势。本文内容主要分为四个部分:第一部分:在参考了国内外大量文献的基础上,对金融股市预测方法做了全面的介绍,并重点介绍了统计学习理论和支持向量机。第二部分:对几种典型的核函数的参数选择进行了详细的研究,并针对金融时间序列近期样本数据远比早期重要的特点,在多项式核和高斯径向基核的基础上,构造了新的核函数:金融核。实证表明新的核函数具有更好的优越性。第三部分:在基于金融核的基础上对标准支持向量机和几种变形支持向量机:v-SVR、LS-SVR、AP-SVR进行了对比研究,实证表明AP-SVR在预测精度上更有优势,但是参数控制很困难,训练时间过长。LS-SVR的预测精度最低,但是训练时间最快。v-SVR在参数选择和控制上更加方便,训练时间也快。针对股市预测的特点,采用v-SVR进行预测比较好。第四部分:针对股市时间序列数据非平稳性、低信噪比这两个典型的特征,在基于金融核和v-SVR的基础上提出了基于k均值支持向量机的二阶段预测模型,先对训练数据进行k-means聚类分析,再用基于金融核的v-SVR进行预测,实证表明二阶段模型极大提高了预测精度,具有更好的鲁棒性。最后在此模型的基础上对股市三种典型的数据进行了50天滚动预测。本文提出的基于金融核的二阶段预测模型在预测结果上来看是令人满意的,与传统的SVM预测模型相比,无论在学习能力和泛化能力上看都具有明显的优越性。