股票市场具有高风险与高收益并存的特性，股票价格的涨跌及变化趋势也一直受到政府和股民大众的密切关注，证券市场的波动性也逐渐成为衡量一个国家经济发展水平的一个重要指标。股票价格预测已经成为当前国际学术界金融证券领域的研究热点。 目前很多学者用以统计学原理为基础的预测模型来研究,如关华提出GARCH族模型的深证成指价格波动研究，较好地拟合了股票价格指数的非对称效应的结论；吴朝阳建立改进的灰色模型和ARIMA模型组合预测股票指数的变化势，谢国强建立一种基于粒子群优化支持向量机的股票价格预测模型，一定程度上提高了预测的精度，但粒子群优化算法存在适应度函数的局部适用性问题。以上方法只能够得到股票开盘数的点预测，但是在股票预测中，还需要掌握一段时期内股票开盘数的变化范围，加上股票的变化具有高度复杂的非线性过程，传统方法难以建立有效的数学模型，致使预测结果精度不高。支持向量机（SVM）采用结构风险最小化原则，将核函数代替高维空间中的内积运算，从而将非线性问题转化为高维空间里的线性问题，非常有效解决了维数灾难及局部极小的问题。
回归模型的学习能力则与参数的优化选择息息相关，目前常用的SVM参数优化方法是遗传算法（GA），粒子群优化算法（PSO）。而GA算法往往涉及繁多的参数设置，计算稳定性不强等缺点，同时PSO算法易陷入局部极值，因此本文结合混沌思想改进粒子群优化算法优化SVR参数，在此基础上，将原始数据进行信息粒化，建立混沌粒子群优化SVR的信息粒化时序回归预测模型。研究结果表明，模型提高了股票价格预测精度，可以给股民留出更长的分析和准备时间，为准确及时的买入和卖出股票提供新的思路。
1 模型建立
SVR是一种用于回归分析的支持向量机，其算法实现过程为：对于给定的训练样本集{ }(x1,y1),⋯,(xn,yn) ，其 中 ，xiRn为 输 入 数 据 ，yiR 为相应的预测值，在高维特征空间中构造最优决策函数。
2 SVR参数选择
2.1 粒子群算法
粒子群算法是一种群体智能优化算法，模拟鸟群的觅食行为，通过个体之间的相互协作使群体达到最优，粒子群初始化为一群随机粒子，追随当前的最优粒子在解空间中的不断搜寻，并通过迭代寻找最优解。
2.2 混沌粒子群优化算法
PSO算法虽然简单，但其易陷入局部极值。由于混沌运动具有随机性、遍历性、对初始条件的敏感性等特点，因此，本文在粒子群优化算法中引入混沌思想，以提高种群的多样性和粒子搜索的遍历性，以寻求全局最优解。
3 信息粒化预测实例及结果分析
模糊信息粒化（FIG）最早由Zadeh教授提出，模糊信息粒化就是将一个整体分解为一个个的部分进行研究，每个部分为一个信息粒。
3.1 SVR参数选择和数据预处理
本文选取2003年7月1日到2013年7月27日期间内2440个交易日每日上证指数的开盘数进行分析，以2420个交易日数据为训练集预测下20个交易日上证指数的变化趋势和变化区间。
3.2 预测结果与分析
针对每个窗口都可以得到3个模糊粒化后的变量：Low，R和Up，它们分别对应于三角模糊信息粒化隶属函数公式中的a，m和b三个参数，其中对于单个模糊信息粒子而言，Low参数描述了原始数据变化的最小值，R参数描述了原始数据变化的平均水平，Up参数描述了原始数据变化的最大值。利用最佳参数确定的模型对训练集进行训练，分别对Low，R和Up进行回归预测，以为Up值为例，得到预测结果与真实值的对比。
4 结语
股票时间序列是非线性、时变、含有噪声干扰的复杂序列，故一般的预测模型预测精度不高，难以满足实际应用要求。本文通过信息粒化处理数据，混沌粒子群算法选择SVR模型参数，建立基于混沌粒子群优化算法的信息粒化时序回归预测模型，模型能够较好的实现短期股票开盘数的预测范围，满足实际应用要求,模型的实用性强。
