随着我国经济的快速发展,人民的生活水平在不断提高。人们在生活逐渐富裕的同时,对于投资的需求也在不断增长,并且投资方式也越来越多样化。股票投资是人们生活中很常见的一种投资方式,如果能实现一种高效的股价预测方法,据此制定股票投资策略,就可以降低人们投资的风险,并增加投资收益。论文中使用两种机器学习算法对股价进行预测,并将预测结果用于制定个股投资策略和组合投资策略。支持向量回归机和RBF神经网络模型在解决回归问题的实践中被广泛应用,尤其是在处理经济数据时有很好的效果,据此论文通过总结前人的研究成果,将这两种机器学习算法应用于股价预测这一实际问题中。实验中采用股票收盘价序列作为基本数据,并以坐标延迟法重构归一化后的收盘价向量。向量重构的参数时间延迟和矩阵维数采用复自相关法和G-P算法确定。实验使用遗传算法GA优化支持向量回归机SVR和LSSVR的正则化参数与核函数宽度,并使用K-means聚类算法优化RBF神经网络隐含层高斯径向基激活函数的数据中心点与扩展常数,以聚类簇数作为隐含层神经元的个数,并以此计算网络的初始权值;论文基于这两种算法对股票收盘价进行预测。实验使用坐标延迟法重构股票收盘价时间序列,简化了选取股价数据维度的工作,并且使模型可以基于历史数据预测未来一段时期的股票收盘价;实验在对支持向量回归机和RBF神经网络的参数进行了优化后,基于这两种算法对八种股票不同时间段的收盘价进行了预测,文中展示了预测的结果,并通过分析模型的预测结果和评价指标评估模型的优劣,分析结论表明支持向量回归机在训练集上的拟合效果总体上好于RBF神经网络模型,而RBF神经网络模型在预测集上的预测效果则略优于支持向量回归机;并且两种模型均有效预测出了收盘价的涨跌趋势。实验之后,论文基于预测结果对部分收盘价上涨的股票使用不同的策略分别进行了投资模拟试验,试验中收益率的计算结果进一步验证了文中使用的股价预测方法的可行性。