通过对金融市场进行分析和预测,获得超额收益,是在二级资本市场的每一名投资者所关心的问题。对市场走势的传统分析方法,主要有宏观经济建模、技术分析、金融时间序列预测等。由于金融市场受多方面因素影响,不同方法所得结果各有优劣。随着人工智能领域的不断发展,不断有新型学习算法被发明,并成功引入金融领域,取得很好的实证结果。　　支持向量机是20世纪90年代被提出的一项在人工智能领域的重要成果。它基于统计学习理论,通过使用最大间隔法求解分类问题,将样本数据映射到高维空间,寻找划分超平面,能很好的解决数据的分类和回归问题。支持向量机在小样本、高维数据识别等方面有着突出优点,且运行稳定,有较好的泛化性能。同神经网络等传统人工智能算法相比,支持向量机的优点在于:有严密的理论基础,几何解释直观,所得解为全局最优,不存在“欠学习”和“过学习”问题。　　经过近年的发展,支持向量机在理论体系和应用研究方面都取得不小的进展。核函数的选择,参数优化,数据优化,算法优化以及基于不同目的的支持向量机变体研究,都有不同的创新和技术引入。本文将支持向量机应用在金融市场择时中,主要工作如下:　　1.通过对支持向量机机理的分析和理解,选取适用于金融市场数据特点的支持向量机变体,并与标准支持向量机进行比较实证研究;　　2.基于金融市场数据特点的核函数选取,参数优化及训练周期长度选取,建立从支持向量机选取,参数优化,到金融数据处理和结果分析一系列完整处理流程;　　3.引入小波分析方法,对金融数据进行预处理,使其更适合支持向量机分类的原理,并与原始数据处理所得结果的准确率进行实证比较。　　4.提出基于收益率的模型调整方法,并将多分类支持向量机模型应用在金融市场择时中,取得良好效果。