1、股票市場是一個復雜的非線性動態(tài)系統(tǒng)，利用傳統(tǒng)的時間序列預測技術很難揭示其內在的規(guī)律。目前，關于股市預測的研究方法仍然以神經網(wǎng)絡和時間序列為主。并且，這些方法基本上采用的是通過批量學習建立靜態(tài)模型的方法。對于類似股票指數(shù)的非線性時間序列，隨著新樣本的不斷獲得，如果能根據(jù)新樣本實現(xiàn)模型動態(tài)更新，則能夠適應問題的變化，提高預測精度；如果能實現(xiàn)增量學習，則能避免大量樣本的重復訓練，縮短訓練時間，提高訓練效率。 本論文在研究了股票數(shù)據(jù)的特

2、點以及人們對股票預測的研究結果后，根據(jù)傳統(tǒng)的SVM算法原理，提出了一種動態(tài)選擇訓練樣本的在線增量訓練的方式完成模型的更新的動態(tài)預測模型(DMDI)，將以僅增加較小工作量為代價而獲得更高的預測精度成為可能。 我們應用這個基于SVM的動態(tài)預測模型(DMDI)，對股市的大盤和個股的走勢(漲或跌)以及股票指數(shù)分別進行中短期預測，并跟神經網(wǎng)絡的預測結果進行了比較。大量數(shù)值實驗表明，DMDI模型比不進行選擇的靜態(tài)模型和神經網(wǎng)絡模型對股票走勢