股票是一个国家经济发展的名片,也是国家经济的晴雨表。股票市场的长久健康发展对于一个国家的经济发展至关重要。股票市场复杂多变,宏观因素、微观因素、国外因素、国内因素都左右着股票市场的未来趋势,因此,实现股票价格的精准预测充满挑战。另一方面,实现股票的精准预测,对于国家经济政策的宏观调控、上市公司经营战略的调整以及投资者的合理投资又具有十分重要的实际意义和理论意义。所以,广大学者一直致力于寻求一种准确高效的股票价格预测模型。在阅读并研究大量国内外学术文献的基础上,本文提出一种组合SVM模型——PALSVM股票价格预测模型。本文模型主要在SVM模型的基础上进行改进和组合,具有处理高维非线性数据的能力。其中,PCA模型是为了实现原始数据的降维处理,使用少量的、可以包含原始数据全部信息的指标作为输入数据,从而减少了模型的运算复杂度;AEEMD分解是在EEMD分解的基础上进行的改进,增加了滤波过程,使分解得到的分量更加稳定;LMNGS是在GS基础上进行的改进,通过改变搜索步长,将参数寻优分为三步,从而大大提高参数寻优的效率。为了验证预测模型的实际效果,本文选择了三个公司的股票价格数据,进行仿真实验,并且增加了三个对照组实验:BP神经网络预测模型、灰色关联预测模型及LSTM网络模型。通过对比分析结果,验证了本文模型的优势所在。影响股票价格走势的因素众多,情况复杂多变,这也就使得预测模型必须具有很强的稳定性、适用性,只有如此才能使模型满足实际使用、具有使用价值。本文主要针对个股选择、数据频率以及样本容量三方面进行适用性研究。改变上述三个因素的变量,进行仿真实验,然后分析预测结果的准确率及误差。实验证明本文模型具有很好的适用性、稳定性。本文最终结论:组合SVM模型——PALSVM模型具有很好的预测效果,准确率、误差都优于其他预测模型,模型具有很好的适用性、稳定性,是一种具有实际应用价值的股票价格预测模型。