| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第一章 绪论 | 第9-13页 |
| 第一节 引言 | 第9-10页 |
| 第二节 本文创新点介绍 | 第10-11页 |
| 第三节 研究思路与结构安排 | 第11-13页 |
| 一、 研究思路 | 第11页 |
| 二、 结构安排 | 第11-13页 |
| 第二章 降维理论 | 第13-21页 |
| 第一节 主成分分析方法理论介绍 | 第13-17页 |
| 一、 主成分分析方法的基本含义 | 第13页 |
| 二、 主成分分析的基本理论 | 第13-15页 |
| 三、 主成分分析的最小误差模式 | 第15页 |
| 四、 有关主成分分析的一些讨论 | 第15-17页 |
| 第二节 二维主成分分析方法理论介绍 | 第17-19页 |
| 第三节 线性判别分析 | 第19-20页 |
| 第四节 本章小结 | 第20-21页 |
| 第三章 主成分分析和二维主成分分析方法在分类问题中的实证比较研究 | 第21-34页 |
| 第一节 主成分分析和二维主成分分析在分类问题上的研究状况 | 第21-22页 |
| 第二节 主成分分析在分类问题中的研究 | 第22-26页 |
| 一、 主成分分析在分类问题研究中的最小误差模式 | 第22页 |
| 二、 主成分分析的计算方法 | 第22-23页 |
| 三、 主成分分析在主子空间中的欧氏距离和马氏距离 | 第23-24页 |
| 四、 算法 | 第24-26页 |
| 第三节 二维主成分分析在分类问题中的研究 | 第26-29页 |
| 一、 二维主成分分析的主要步骤 | 第26页 |
| 二、 二维主成分分析的欧氏距离分类算法 | 第26-28页 |
| 三、 二维主成分分析的马氏距离分类算法 | 第28-29页 |
| 第四节 数据实验 | 第29-33页 |
| 一、 数据集介绍 | 第29-31页 |
| 二、 实验内容 | 第31-32页 |
| 三、 实验结果 | 第32-33页 |
| 第五节 本章小结 | 第33-34页 |
| 第四章 主成分分析和二维主成分分析在高频金融数据中的实证比较研究 | 第34-66页 |
| 第一节 主成分分析和二维主成分分析在高频金融数据统计建模中的研究状况 | 第34-37页 |
| 一、 国外低频数据的研究状况 | 第34-35页 |
| 二、 国外高频数据的研究状况 | 第35-36页 |
| 三、 国内低频数据的研究状况 | 第36-37页 |
| 四、 国内高频数据的研究状况 | 第37页 |
| 第二节 预测波动率的三步法 | 第37-45页 |
| 一、 降维方法 | 第38-41页 |
| 二、 时间序列建模 | 第41-44页 |
| 三、 逆线性重构 | 第44-45页 |
| 第三节 数据实验 | 第45-64页 |
| 一、 数据背景介绍 | 第45页 |
| 二、 数据降维 | 第45-48页 |
| 三、 时间序列建模 | 第48-64页 |
| 四、 逆线性重构 | 第64页 |
| 第四节 实证研究分析 | 第64-65页 |
| 第五节 本章小结 | 第65-66页 |
| 第五章 总结 | 第66-67页 |
| 第一节 本文结论 | 第66页 |
| 第二节 本文不足及未来展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 在读期间完成的研究成果 | 第72页 |
