时间序列的预测对人们的生活起着重要的指导作用。随着机器学习技术的快速发展,对时间序列分析和预测方法的研究也得到了迅速的发展,但其在很多方面的效果不能满足实际应用的高要求,有很多问题凾待解决。本文以时间序列分析和预测为研究背景,利用机器学习技术对时间序列预测应用进行了研究。本文主要进行了以下三个方面的研究:(1)基于改进的随机森林算法股票收益率预测研究,传统随机森林算法在处理大量输入特征时,无法对特征进行有效区分,不同特征对模型可能存在相反或者重复效果,无效特征会导致预测模型复杂度增加、预测时间增加、预测准确率下降等问题。本文在随机森林算法(Random Forest,RF)预测基础上进行改进,将粒子群算法(Particle Swarm Optimization,PSO)和网格搜索算法(Grid Search,GRID)相结合,提出一种改进的随机森林算法——粒子群参数网格搜索的随机森林算法(Particle Swarm Optimization Grid Search Random Forest,PSO-GRID-RF)。先利用PSO筛选最优特征输入RF中,再利用GRID同步搜索最优参数,防止算法陷入局部最优,获得更优的分类性能和趋势预测精度。(2)利用相空间重构优化方法对股票价格回归预测,时间序列预测已广泛应用于股票未来价格的确定,金融时间序列的分析和建模对投资者的决策和交易具有重要的指导作用。此外,在股票市场这样的动态环境中,时间序列的非线性特征会十分明显,会影响股票价格预测的有效性。因此,本文提出一种滑动窗口时间序列预测系统,利用滑动窗元优化来预测股票价格,并使用粒子群算法优化支持向量机的参数。该模型对高度非线性的时间序列提出了一种有效趋势预测算法。(3)基于改进支持向量机的回归预测模型,影响股票价格的因素很多,包括历史数据,技术指标,市场因素等,获取股票的交易数据,计算出股票的技术指标,并选取影响股票未来价格的有效因素对股票预测至关重要,当输入很多技术指标作为特征时,主成分分析法(Principal Components Analysis,PCA)有效选取影响股票价格的主成分,消除数据之间冗余,缩短训练时间,提高训练样本有效性。利用支持向量机回归(Support Vector Regression,SVR)的优势进行股票价格预测的前提是选择合适的回归参数,SVR参数选取的过程实质是一个搜索优化的过程,网格搜索算法搜索参数方法比较简单,搜索准确度高,在参数寻优方面有一定的优势,因此这里采用改进网格搜索算法对SVR的参数进行寻优处理,并利用优化处理的SVR模型对股票价格进行建模预测,仿真结果表明了改进的算法的有效性。