传统的支持向量机算法处理数据的方式是批量式的,重复对所有数据进行分类学习,当面对如今股票市场频繁更新的海量数据时,可能会导致更高的时间空间资源需求。而在线学习的核心思想就是突破传统批量式学习方式,通过不断更新的新数据,对模型展开训练,进行不断地调优,使其快速准确的反映数据变化,提高预测精度。通过阅读文献,我们发现这种支持向量机的批量式分类算法在线化,有在生物、医药、工程等项目上得到部分应用,但还并未在金融市场上广泛传播。所以,本文对在线学习与支持向量机算法的结合展开研究,用于对股票市场进行预测。本文先对相关文献进行了研究,对在线学习的理论和实现方式,对支持向量机应用于金融市场的方法进行了回顾、总结。相比于普通的支持向量机(supportvectormachine,SVM),最小二乘支持向量机(least squares support vector machine,LSSVM)把不等式约束转化为等式约束,从而降低了拉格朗日乘子alpha的求解复杂性,具有较快的求解效率,但也失去了解的稀疏性,所以,为了解决该问题,本文选择在线学习方法对最小二乘支持向量机进行改进,通过数学推导构建模型。利用构建的新算法模型先与LSSVM就招商银行的过去股价信息进行测试对比,通过训练找到最优的核参数和核函数——径向基核函数,并得到改进的模型预测效果要优于LSSVM的结论,然后按照选出的最优核函数通过在线学习LSSVM算法对大中小盘三种行业共9只股票进行最优参数选择和实证。文章最后对实证结果和全文内容进行了总结:(1)新模型能较好把握股票未来的涨跌趋势;(2)新模型预测效果有一定延迟;(3)预测值的波动较实际值大;(4)不同量级股票之间预测存在差异。同时,对模型未来的应用和扩展提出了一些见解:(1)扩大样本选择的种类和范围;(2)使用不同的特征向量、数据处理、核参数寻优等方法以验证模型适应性;(3)依据新模型构建量化方法和投资策略。