量化投资在国外已经发展了三十多年,由于投资方式基于模型化交易,业绩比较稳定,在国外对冲基金投资策略中占据了很大的份额。量化投资的本质就是模型化交易。量化的过程是对交易行为进行建模,对交易变量进行参数量化,一旦市场触发了条件,就会进行交易。Corinna Cortes和Vapnik在1995年的时候首先提出了支持向量机理论,它是基于统计理论的机器学习算法,由于支持向量机指导基础是扎实的统计学理论,不会收敛于局部最优解。基于支持向量机适合解决非线性的、小样本的数据问题,在高维模式识别问题也有许多独特的优势,本文基于股指期货IF高频TICK数据进行回归预测,从以下几个方面进行了研究:一方面考虑到目前为止在核函数的选取甚至于有针对性地构造核函数还没有较好的理论指导,为了更好得研究解决支持向量机核函数参数问题,本文选取R]BF核函数进行研究,把重心放在了核函数参数g还有惩罚因子C的优化选择上,用改进的网格法进行参数寻优,寻参效果较好,同时减少了参数寻优计算时间。另一方面是交易成本处理问题,高频交易除了量化模型很重要以外,交易成本也是影响结果的重要因素,尤其是买卖价差,手续费水平,因此本文通过建立数学模型,对买卖价差进行了较好的分析研究,建立了对数回归拟合模型,拟合效果极好,比较充分反映了实际的买卖价差成本,并在最终策略实现的时候导入了买卖价差成本进行减值,计算出了成本模型。本文最终基于买卖价差分析模型以及支持向量机预测模型建立了拟合分类预测模型,研究了高频量化投资在国内市场的IF合约下的策略构建可行性,并基于研究过程进行了实践作业,进行了策略实现,给出了不同市场下对高频策略影响的手续费评估阈值,通过实际效果验证了理论分析,具有实际指导意义。