股票市场对国家经济发展有着举足轻重的意义,对经济发展发挥着重要作用。对股票价格的预测研究无论是对个人和企业的投资者以及政府有关部门制定相关经济政策都有着重要的意义。随着统计机器学习领域的发展,各种智能算法也不断涌现。从股票价格的特点来看,它在短期具有很大的不确定性,但是在长期趋势上则符合统计学规律。因此,在有限样本的情况下,通过机器学习算法来预测股票价格,是股票预测研究中的一个重要发展方向。其中,支持向量机(SVM)方法有着很强的优势,它对样本量的要求不大,能解决非线性问题,推广能力强。因此,本文以支持向量机方法为核心,在进行特征提取的基础之上建立了进行支持向量机核参数寻优的预测模型,获得了较好的预测结果。具体研究内容如下:1.针对上证指数技术指标数据,使用PCA方法对原始数据进行主成分分析,将46个技术指标作为输入特征进行相关性分析后剔除高相关特征实现降维,将共计754天的指标数据进行归一化处理后进行标签,继而用主成分分析得到累计方差贡献率超过85%的5个主成分和接近99%的18个主成分作为支持向量机的输入特征数据;2.在支持向量机训练过程中,本文分别使用了遗传算法、粒子群算法和人工鱼群算法对支持向量机的关键参数进行了调整,得到了比较准确的支持向量机模型。其中粒子群算法的收敛速度为最快,人工鱼群算法的预测效果表现较好;3.基于粒子群算法收敛速度快的优点和人工鱼群算法收敛效果好的优点,本文建立了基于加速人工鱼群算法的支持向量机预测模型,选用粒子群算法中的速度更新规则对人工鱼群算法的收敛速度进行优化,实证研究结果表明:在上述四种算法中,基于加速人工鱼群算法的支持向量机预测模型的综合表现最好,其交叉检验准确率在使用了PCA的情况下为79.02%,未使用PCA时为81.54%,耗时为179.01s。