股市预测是困难的金融时间序列预测问题，然而对股价涨跌的准确预测能够帮助投资者在投资中降低风险、提高收益。另外对于投资者来说，比起股价预测本身，他们更关注能否在对股票的预测中产生简单的买卖信号，帮助他们进行买卖决策。支持向量机（Support　Vector　Machine，SVM）以其出色的泛化能力在股票预测和股票交易策略领域得到广泛研究。
本文使用三种SVM分类算法（SVC、ν-SVC和LSSVC）和三种SVM回归算法（ε-SVR、ν-SVR和LSSVR）对上证指数和平安银行的收盘价涨跌进行提前一天的预测，并与BP神经网络分类和回归算法进行比较。对于六种SVM算法，使用网格搜索和遗传算法优化模型参数。实验结果显示在上证指数和平安银行测试集上，除了BP神经网络回归，其他七种方法与特定输入输出变量结合获得的最高预测准确率都超过60%，平均预测准确率都超过50%。
本文编程实现滑动窗口法分段线性表示，通过去除非极值点、重新分段得到改善的分段线性表示，然后把分段线性表示转化为介于0、1之间的连续交易信号，使用ε-SVR、ν-SVR、LSSVR和BP神经网络回归对交易信号进行预测，设定买卖阈值，将预测值转换成买卖信号，进行模拟交易，计算收益率，并与买入并持有交易策略进行比较。结果显示，对上证指数和平安银行测试集，四种回归算法与特定输入变量、买卖阈值结合取得的平均收益率都超过了买入并持有交易策略。