中国的股票市场的变化对于整个国家的市场经济动态而言是密不可分的,在推动我国国民经济的增长上产生了重要的影响。但是我国的股票市场自身存在着一些问题,相对于资本主义市场,我国的股票市场仅仅有30年左右的发展,市场结构还不成熟、制度不健全、监管不适应,以及短期投机炒作过多等,导致股票市场的积极效应难以正常发挥。面对这些问题导致了一些散户投资者和企业投资商在投资上的失误,因此对于股票的预测应用研究,指导广大的投资者合理投资来说有很重要的意义而且迫在眉睫。支持向量机是机器学习的一种新技术新方法,VC维理论为其奠定了坚实的理论基础,结构风险最小化原则也为其风险提供了保障。因此支持向量机(SVM)在函数拟合,高维模式识别,时间序列的预测等领域呈现了所特有的优势。本文的研究内容主要有以下几个方面:(1)、在查阅和参考了大量的国内外文献的前提下,对目前的一些股票的预测方法做了全面的阐述,并且重点说明了支持向量机(SVM)等相关的基础和理论知识。(2)、数据的选取与预处理。股票市场中存在着大量的数据,股票种类繁多,涉及到不同的板块和不同行业类别,本文中选取了40只股票,平均分布在20个行业中,对这些股票进行跟踪并下载实验中所需的各种指标数据,之后对这些数据进行了归一化处理。在论文中我们对这些行业股票进行了实验,并对挑选几只典型的股票,对其实验所得的结果做了比较和论述。(3)、对两种典型的核函数进行了详细的应用研究,实证表明两种核函数中径向基核函数预测效果明显较好。其次针对径向基核函数的参数优化和选择进行了应用对比,通过实验发现遗传算法优化参数的效果会更好一些。(4)、在基于径向基核函数回归支持向量机的基础上,通过实验对比不同技术指标:6种基础特征指标,8种特征指标(包含了挑选的指标MACD,RSI,OBV,CCI),对比研究发现,8种特征属性的预测精度更高,误差较低。接着本文为股票的预测做了一个新的尝试,通过结合分形理论在股票预测上的应用,利用幂指分布求解出股票的分形维数,再将其分形维数作为新的样本特征向量进行股票的预测。将两种不同技术指标用训练出来的模型进行实验并进行比较,从得到的结果中会发现分形维数的引入使得预测结果有一定的提高。(5)、最后利用支持向量机(SVM)和神经网络分别对样本所输入的不同的技术指标体系进行对比实验,会发现在不同的技术指标体系下SVM的预测结果都要比神经网络好。最后对全文的研究工作做了一个全面的总结,以及对进一步的研究方向做了引导。