SVM算法是由Vapnik提出的壹種學習機制，旨在改善傳統神經網絡學習方法的理論缺陷。支持向量機網絡最早是從最優分類面問題提出來的。SVM學習算法根據有限的樣本信息，在模型復雜度和學習能力之間尋求最佳折衷，以獲得最佳的泛化能力。SVM在形式上類似於多層前饋網絡，已被應用於模式識別、回歸分析、數據挖掘等領域。
支持向量機的這些特點是其他學習算法(如人工神經網絡)無法企及的。對於分類問題，單層前向網絡可以解決線性分類問題，多層前向網絡可以解決非線性分類問題。但是這些網絡只能解決問題，並不能保證最優的分類器。基於統計學習理論的支持向量機方法，理論上可以實現不同類別之間的最優分類，通過尋找最差的向量，即支持向量，達到最好的泛化能力。
壹般來說，SVM可以分為線性SVM和非線性SVM。線性SVM基於樣本之間的歐幾裏德距離來確定劃分結構。在非線性SVM中用卷積核函數代替內積後，相當於定義了壹個廣義toe偏差，以這個廣義距離作為除法的依據。
模糊支持向量機有兩種理解:壹種是針對多定義樣本或缺失樣本的模糊後處理；二是在訓練過程中引入模糊因素。
SVM在量化投資中的應用主要是預測金融時間序列。根據基於支持向量機的時間序列預測模型，通過訓練樣本對模型進行訓練和完善，進而對時間序列數據進行預測並輸出預測結果。
本章介紹的第壹個案例是基於最小二乘法的復雜金融數據時間序列預測方法，大大提高了求解的速度和收斂精度。與神經網絡預測方法相比，該方法在預測大量金融數據時間序列時，訓練時間、訓練次數和預測誤差都有明顯的改善，對復雜的金融時間序列也有很好的預測效果。
第二種情況是用SVM來判斷市場的拐點。因為用單壹技術指標預測股價反轉點誤差較大，所以特別需要用多個技術指標的組合來相互驗證。由於SVM采用了結構風險最小化原則，可以解決小樣本的非線性和高維問題。因此，通過構建包含多個技術指標組合的反轉點來判斷最佳方向，利用SVM來挖掘技術指標組合向量，可以得到較為準確的股價反轉點預測模型。
支持向量機的基本概念
SVM算法是由Vapnik提出的壹種學習機制，旨在改善傳統神經網絡學習方法的理論缺陷。支持向量機網絡最早是從最優分類面問題提出來的。
SVM學習算法根據有限的樣本信息，在模型復雜度和學習能力之間尋求最佳折衷，以獲得最佳的泛化能力。SVM在形式上類似於多層前饋網絡，已被應用於模式識別、回歸分析、數據挖掘等領域。支持向量機方法可以克服多層前向網絡的固有缺陷，它具有以下優點:
(1)針對樣本有限的情況。按照結構風險最小化的原則，盡可能提高學習機的泛化能力，即從有限的訓練樣本中獲取小誤差，這樣可以保證對於獨立的測試集仍然可以保持小誤差。目標是在現有信息下獲得最優解，而不僅僅是樣本數趨於無窮大時的最優值。
(2)算法最終將轉化為壹個二次優化問題，理論上可以得到全局最優。
(3)算法通過非線性變換將實際問題轉化到高維特征空間，在高維空間中構造線性判別函數，實現原空間中的非線性判別函數。這種特殊性質可以保證機器具有良好的泛化能力，同時巧妙地解決了維數災難問題，使其算法復雜度與樣本維數無關。