Varios factores hacen que la predicción del mercado de valores sea difícil y ardua. Los modelos de aprendizaje de una sola tarea no logran obtener buenos resultados porque ignoran la correlación entre múltiples tareas relacionadas. Los métodos de aprendizaje multitarea pueden capturar la intercorrelación entre sub tareas y lograr un efecto de aprendizaje satisfactorio al entrenar todas las tareas simultáneamente. Con esta motivación, asumimos que las tareas relacionadas están lo suficientemente cerca como para compartir un modelo común, mientras que tienen sus propios modelos independientes. Basándonos en esta hipótesis, proponemos un algoritmo de regresión vectorial de soporte de mínimos cuadrados de aprendizaje multitarea (MTL-LS-SVR), y una extensión, EMTL-LS-SVR. El análisis teórico muestra que estos modelos pueden convertirse en sistemas lineales. Se introduce un algoritmo de Krylov-Cholesky para determinar las soluciones óptimas de los modelos. Probamos los modelos propuestos aplicándolos a pronósticos de la tendencia del índice del mercado de valores chino y los precios de las acciones de cinco bancos estatales. Los resultados experimentales demuestran su validez.