金融时间序列预测根据金融交易品种（如股票）的历史交易数据对其未来价格进行预测，可以帮助投资者规避风险，获得更高的收益。但是金融时间序列极为复杂，是非线性、非平稳、高噪声的确定性混沌时间序列，因而金融时间序列预测被视为现代时间序列研究中最富挑战性的课题。目前，支持向量回归（SVR）被广泛应用于金融时间序列预测，并表现出比传统的人工神经网络更强的预测能力。这主要是由于SVR是基于统计学习理论的机器学习算法，具有良好的非线性逼近能力，收敛速度快，具有全局最优解，泛化能力强。本文基于SVR进行金融时间序列预测，并结合机器学习、人工智能领域的各种方法提高金融时间序列预测的精度。SVR的超参数、核心函数参数对SVR的预测精度和泛化能力有较大影响，本文采用群体智能中的粒子群优化（PSO）算法进行参数选择，提高SVR的训练效率，确保SVR的预测精度。本文还分析了SVR输入向量的选取对金融时间序列预测精度的影响。实验表明，选择合适的输入向量，可以得到更好的预测效果。研究中发现，单一SVR模型不能有效预测具有非平稳性的金融时间序列，其预测精度容易出现较大波动，影响总体的预测精度。本文借鉴集成学习的思想，提出一种混合多个SVR模型的预测算法。该算法选取训练数据的不同子集训练出多个SVR模型，预测时使用合理的权重将多个模型的预测结果结合起来，利用模型间的多样性，降低总体预测误差。各个模型的权重根据其最近的预测精度动态调整，因此算法具有自适应性，能应对非平稳性所带来的问题。在全球5大股指上的实验表明，本文提出的混合多个SVR模型的算法可以显著提高金融时间序列预测的精度及泛化能力。