本文研究内容包括系统逼近，分析金融时间序列的非线性特征并进行预测。为了提高系统逼近性能，重点研究核学习机器算法，提出了改进核学习机器的一些方法并将这些方法应用到金融时间序列预测中，由此提出了基于多类分类的金融时间序列涨跌幅度预测及基于版本空间解析中心回归机器金融时间序列趋势预测方法。 　　整个研究中的创新性工作主要体现在以下几个方面：提出了一种改进的ACM分类器算法，克服了原始ACM分类器因缺乏稀疏性造成泛化性能下降以及增加分类时间复杂度和存储复杂度问题。算法首先分析冗余约束对ACM分类器性能的影响；然后引入稀疏界理论为冗余约束约简提供理论基础；最后从多面体的冗余约束约简算法出发，解决了多面锥的冗余约束约简算法，并将此约简算法嵌入到ACM学习机器框架，从而得出了一种基于主版本空间的ACM分类器。。提出了一种基于最优核M-ACM股指序列涨跌幅预测方法。提出了一种基于ACMR的预测股指序列趋势的方法。利用冗余小波变换(平移不变)提取出股指序列的趋势。然后将趋势嵌入到非线性时间序列分析框架，在求得其嵌入维数及时延后进行重构，最后在重构空间内进行ACMR建模。