摘要：作为一种动态和非稳定时间序列，Shibor发展变化是随机波动的，难以准确预测Shibor的波动性．支持向量机（SVM）在回归预测非线性时间序列方面有很好地预测效果，SVM的预测精度和泛化能力的核心是参数的优化选择，分别用网格搜索法（Grid-Search）和粒子群（PSO）算法来优化SVM的参数c和g．从而将参数优化后的SVM非线性回归预测法与基于传统ARIMA时间序列预测结果进行对比分析．实验表明，优化后的SVM回归预测方法比ARIMA时间序列方法更精确，在实际中具有很大的应用价值．

关键词：机器学习 非线性回归预测 支持向量机 网格搜索法 粒子群算法 

单位：上海理工大学管理学院; 上海200093