股票市场是一个受多种因素相互影响,相互制约的动态系统,其价格波动总是呈现出随机性的特征,因而对其价格进行预测也是十分困难的。这也导致众多的国内外学者投身于对股票价格预测的研究中,提出了各种各样的用于预测股票价格的模型。这其中基于统计学习理论的支持向量机则是一类预测性能较好的股价预测模型。小波分析是专门用于分析非平稳信号的方法,拥有较强的局部化分析能力。将小波分析引入到支持向量机模型,训练基于小波核函数的SVM回归模型,是提升SVM回归模型预测非平稳时间序列能力的有效方法。而股票价格序列属于典型的非平稳时间序列,因此可将基于小波核函数的SVM回归模型应用于股票价格的预测,以完善股票价格预测理论框架。文章在总结现有股票价格预测理论的基础之上,将小波分析理论与支持向量机理论相融合,以Morlet小波函数作为SVM回归模型的核函数,构造了基于Morlet小波核函数的SVM回归模型。为了验证该模型适用于对股票价格的预测,文章以沪深300指数作为研究对象,分别利用基于Morlet小波核函数的SVM回归模型和其他三种基于传统核函数的SVM回归模型对其进行回归预测,并且分别使用遗传算法和粒子群算法两种启发式寻优算法确定各模型的最优参数。通过比较各模型的回归预测结果,最终得出粒子群算法优化的基于Morlet小波核函数的SVM回归模型的预测性能最优。从而证明基于Morlet小波核函数的SVM回归模型能够成功地应用于对股票价格的预测。文章最后训练了基于BP神经网络的沪深300指数预测模型。预测结果显示,基于Morlet小波核的SVM回归模型的预测精度要高于BP神经网络模型,从而证明,在有限样本下,基于Morlet小波核的SVM回归模型更加适用于股价预测。