随着我国股票市场的发展,股市的功能日益提高,对我国股市投资方面的研究越来越多。文章基于股票市场技术指标,利用支持向量机(SVM)理论,将沪深300指数作为研究标的,并借助计算机做出量化择时实证分析,去研究如何提高投资的收益性和稳定性。由于我国沪深300股指期货已推出,将沪深300指数作为标的,也有助于对实际投资策略的研究。传统的技术分析和基本面分析对股市的解释能力越显乏力,文章运用非线性的数据挖掘技术对我国股市价格行为进行分析。在具体技术的选择上,文章将人工神经网络和支持向量机进行了比较,最终得出了支持向量机训练精确度更高的结论。支持向量机层面,分为传统支持向量机和改进的支持向量机,对于改进的支持向量机主要体现在其参数的寻优方面,网格搜索法的参数寻优在实证方面精确度表现得更高。针对于数据的选择方面,文章依据量化择时的理论基础,对选取的数据进行ADF单位根检验,判断得出此段数据已达到弱式有效。对于数据的处理方面,为了降低数据的冗杂性,提高模型的训练精度和降低模型的训练时间,文章采用主成分分析方法(PCA),对数据进行预处理。实证结果表明经过PCA之后的模型精确度更高。鉴于此,综合支持向量机(SVM),主成分分析(PCA),网格搜索法,文章构建了基于网格搜索法下的PCA-SVM模型。并且结合具体数据,采用了一种SVM模型的量化择时方法,通过与同期沪深300指数的对比,得出了PCA-SVM量化择时策略收益更高,稳定性更强,抗跌能力更好的结论。但是由于技术和经验的不足,文章未能将技术指标与宏观数据进行结合,降低了数据的综合解释能力；并且股市的数据之间不仅仅只存在相关性,噪声也是股市中存在的问题,对降噪方面,文章尚未涉及。这些方面需要后续进一步研究。