在现代智能技术中很重要的一项就是机器学习,计算机模拟人类学习的过程,根据对历史信息的分析,做出预测的指导,在金融方面的进行机器学习一直是研究者研究的一个方向。基于统计学上的神经网络(RBF)算法正是在这样的情况被应用在金融方面,并且取得了优于传统模型的效果。但是神经网络有着先天的一些缺点：建立在样本数量无穷多的基础上,这往往与事实不符；当小样本的情况发生时,神经网络容易发生过度学习的现象；泛化能力较差等。这些缺点制约了神经网络算法在金融数据上的应用。为了在小样本量的情况下实现机器学习,V. Vapnik (1995)等人基于统计学习理论(SLT)的基础上提出了一种新的机器学习算法支持向量机(Suppory Vector Machine,简称SVM)用于数据挖掘。支持向量机的优点在于其对样本量并没有太大的要求,并且通过构造核函数将非线性的问题映射为线性的问题,其推广能力远远强于神经网络以及传统的数据挖掘方法,这种算法从一问世就受到了国内外科研工作者的关注和研究,目前已经在生物、医学、图像识别等方面得到了应用,但在金融方面的应用仍然很少。现有的金融问题研究大多数使用传统的计量方法,这些方法都有着各自所必须的理论假设,与实际并不符。所以研究支持向量机算法在金融市场的应用有着重要的理论意义。由于支持向量机在实际应用方面仍有一定的缺点,比如最优参数的取值,特征变量的噪音问题等。鉴于上述情况,本文建立起适用于金融数据挖掘的支持向量机模型,并对股票市场的大盘趋势进行预测,具有现实意义。目前在金融市场中更多的是利用时间序列进行回归的分析,而本文通过支持向量机算法将技术面指标作为输入变量基于技术分析对股票市场的趋势进行了预测；并且在此基础上为了得到更好的预测结果,本文进一步建立了结合特征提取与参数寻优的预测模型,以此增强其在实际中的应用性,包括以下方面：使用主成分分析法对数据进行特征提取的预处理,以除去样本相关信息的干扰；分别使用了网格搜索法(Grid)、遗传算法(GA)、粒子群(PSO)算法对支持向量机的参数进行寻优。本文首先总结了支持向量机算法的研究进展以及对其优化方法的研究进展；然后阐述了支持向量机的理论基础；接着提出构造出基于支持向量机预测模型的思路和所用算法的理论基础；最终将其应用金融市场上,对股票市场的短期趋势进行了预测的实证研究。实证结果表明：经过主成分分析处理后,不管是使用什么参数寻优的方法均比不做处理时的预测精度要高,且运行的时间大大减少,这说明应用主成分分析进行数据预处理是有效的。进行了参数寻优的支持向量机其预测的精度都要远远的高于神经网络法,其中使用网格搜索法寻优的支持向量机表现出最好的预测效果,在股票市场的预测中有接近60%的准确率,而遗传算法支持向量机虽然预测效果稍逊于网格搜索法,但其模型运行的时间要快于网格搜索法,粒子群算法的在支持向量机的参数寻优中的也有优于BP神经网络的预测精度。本文建立的模型与神经网络模型或者其他的传统人工智能算法相比,更具有经济适用价值,可以在一定程度上给投资者指导,如果在准确率方面可以进一步的得到提高,在未来可以考虑使用支持向量机建立起量化投资的模型用来投入实际应用。