中国股票市场与国民经济有着密不可分的联系,而股票市场是一个既复杂又呈非线性的动态系统。股票数据还具有其自身的非平稳性、混沌性等特征,使用传统的时间序列分析方法进行建模存在很大的局限性,而机器学习方法在处理非线性问题时有较强的应用能力。支持向量机是机器学习中应用广泛的技术方法,它在解决非线性、函数拟合、高维模式识别和时间序列的预测等领域呈现了其独特的优势。但如何提高支持向量机的性能仍值得我们深究。特征提取是开发支持向量机的第一关键,核参数的选择与优化是其另一关键,本文试图利用核主成分分析进行特征提取,遗传算法进行参数选择及优化和支持向量机的综合模型来提高股票价格的预测能力。本文主要研究工作可分为以下三个部分:第一部分,收集了上证50指数的数据及确定了特征指标,其中包括基础性指标和技术性指标等23个特征维度,并对确定好的数据集做了相关统计分析。结果表明,除了少量的特征指标,如随机D%等,其他特征指标的分布基本符合正态分布,因此金融数据的分布没有明显规律,无法用一般的线性回归方法对其进行预测分析,需要用机器学习的方法来训练和学习它的内部规律。第二部分,对上证50指数从2009年10月9日到2018年12月28日的数据进行了回归预测和分析。在实现过程中,采取了利用遗传算法进行参数寻优的基于核主成分分析(KPCA)和支持向量机(SVM)的组合模型来进行回归预测和分析,并与基于主成分分析(PCA)和支持向量机的组合模型、支持向量机模型进行了对比。实证结果表明:利用KPCA和SVM的综合预测模型的性能明显优PCA与SVM的组合模型和SVM模型,验证了该方法的有效性。第三部分,利用实证结果得到三个带有确定参数的模型,然后分别对上证50指数从2019年2月12日到2019年10月8日的数据进行了回归预测和分析。结果表明,利用遗传算法进行参数寻优后的KPCA和SVM的综合预测模型,不仅对样本数据内部有更好的预测效果,对于样本外的相关数据也具有较好的预测效果,这说明它具备一定的推广能力。