在不确定的世界上,未来的预测是非常重要的,无论宏观经济管理或微观金融市场投资的决策都离不开预测。但是仅仅根据管理者,投资者与研究者们的判断能力,还不能够获得正确的预测,必须依靠统计方法与数量模型做出尽最大程度的准确的定量预测。从计量经济学的角度讲,预测方法的发展大概以下几个阶段：第一个阶段：基于普通最小二乘法估计的结构计量预测模型,第二个阶段：基于最大似然法估计的时间序列模型以及非参数；第三个阶段：非线性的神经网络与支持向量回归与分类模型。支持向量回归与分类的预测能力主要来自于其独特的结构风险最小化设计,其不仅最小化经验风险(普通最小化二乘法,最大化似然法与人工神经网络只做到了这一点),也最大化回归样本内的拟合能力,而且最大化样本外的预测泛化能力最终获得两部分的平衡器。因此支持向量回归与分类不仅能够像普通最小二乘法,最大似然法与人工神经网络一样有着很好的拟合能力,而且有着比他们更出色的预测推广能力。支持向量回归与分类还有其他的各种优点,譬如：不需要关于模型形式与变量概率分布的先验假定,同时适合大样本与小样本数据,能够获得全局唯一最优解,能够自动捕捉变量间的非线性依赖关系,等等。本文利用么蒙特卡罗仿真数据与真实的金融数据来检验支持向量算法的这种强大预测能力是否成立。由于支持向量算法刚刚出现不久,而且主要是计算机信息工程领域的方法,把它与经济与金融领域预测结合起来的研究还不是很多,因此该研究具有相当的挑战性。在现有的文献前馈支持向量回归的基础上开发了一种新的反馈支持向量回归算法,引入一个从输出层到输入层的全局反馈回路,反馈回路的出现可以帮助模型捕捉变量的更多的动态特征,在某些情况下更加的提高预测精度。