近几年，对于证券交易拐点的预测，广泛应用的是基于分段线性表示(PLR)和反向传播人工神经网络(BPN)的方法(PLR-BPN)。然而，该方法具有一些缺陷，比如容易过拟合和陷入局部最优点，而且模型中阈值的选取也是很令人头疼的。由于支持向量机（SVM）具有可以避免过拟合，同时也不容易陷入局部最优点等优势，本文利用分段线性表示(PLR)和加权支持向量机(WSVM)来预测证券交易的拐点(PLR-WSVM)。PLR-WSVM方法具有以下几个主要特点:　　(1)通过PLR方法得到证券交易的拐点，并对每个拐点根据当前拐点和下一个拐点的收盘价变化率来设置不同的权重，以反映拐点的相对重要性。　　(2)将证券交易拐点的预测问题，转化为一个带权重的四分类问题，避免了PLR-BPN模型中阈值的选取。　　(3)采用带权重的支持向量机来对交易拐点和输入变量之间的关系进行建模，该方法可以提高预测模型的泛化性。　　(4)历史数据集被分为具有重叠性的训练集和测试集，而不是单纯的训练集验证测试集，该方法不仅可以充分利用数据，同时也降低了数据的时变特性。　　(5)一些代表投资者情绪的新技术指标被添加到了输入变量中，以提高模型的预测性能。　　20只证券上PLR-WSVM、PLR-BPN和买入并持有(BHS)三种策略的对比实验显示PLR-WSVM方法无论从预测的准确度还是收益能力都优于PLR-BPN和BHS，表明PLR-WSVM是有效的，可以用于证券交易拐点的预测。