随着经济的快速发展,金融领域的研究越来越受到国内外学者的重视。近年来时间序列分析的方法有好多种,传统的模型要么模型非线性映射比较简单,不能完全反映非线性规律；要么模型结构复杂,推广性不强。支持向量机(Support Vector Machines,SVM)提供了较好的建模方法,有较好的理论基础,不需要考虑系统的数学模型,对数据拟合采用结构风险最小化,训练率高。本文将信息粒化与SVM组合,对证券时间序列进行回归分析。首先对时间序列分析、SVM和信息粒化的理论进行了比较深入的介绍,并将SVM运用到时间序列的分析当中,将证券时间序列的数据根据模型进行自变量和因变量的选择,并对这些数据进行归一化处理；其次针对SVM相关的参数进行调节的问题进行了研究,主要介绍了三种参数寻优方法,分别是交叉验证法、遗传算法、微粒群优化算法,对这些算法的效率进行比较：最后对上证指数进行模糊信息粒化后再进行SVM的回归分析,这样对上证收盘指数的变化趋势和空间进行了有效的预测。实验结果表明SVM模型很好的反映了上证指数的变化规律,拟合和预测还是比较理想的：同时将信息粒化和SVM模型的有效结合可以使SVM发挥更好的效果,而且这种方法是十分可行的。