时间序列分析预测是在假定事物的过去会同样延续到未来,事物的现实是历史发展的结果,而事物的未来又是现实的延伸的前提下根据市场过去的变化趋势预测未来的变化.如何充分挖掘出过去时间序列中的影响现在及将来数据变化的方式,是建立时间序列模型所要考虑的问题.金融时间序列的分析及预测在现实生活工作中有着极其广泛的应用.如何更好地利用有效的模型挖掘出历史数据中的生成机制,一直是人们所追求的目标.在预测实践中若只用一种预测方法进行精确而可靠的预测是有难度的.不同的预测方法会提供不同的信息,如果简单地将预测误差较大的一些方法舍弃,将可能会丢失一些有用的信息,这对信息是一种浪费,而如果对单项模型进行适当的组合,则可以有效发挥单项模型的优点,弥补单项模型的不足,从而充分利用已有的信息资源,达到提高预测精度的目的.求和自回归移动平均模型（简称ARIMA）及支持向量机回归模型（简称SVR）是两个重要且行之有效的分析及预测时间序列的工具.他们都能在一定程度上反映数据中所包含的信息且这些信息不会完全重叠.为了能够各取所长,本文用这两种模型的组合模型分别对居民消费指数(CPI)及上证指数时间序列进行了分析预测,并将预测结果同单一模型进行了比较,结果显示组合模型提高了模型的预测精度.