基于有无监督学习的股价预测对比实证分析
| 摘要 | 第9-11页 |
| ABSTRACT | 第11-12页 |
| 第1章 绪论 | 第13-19页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 意义 | 第14页 |
| 1.2 国内外相关研究综述 | 第14-16页 |
| 1.2.1 关于股价预测的研究综述 | 第14-16页 |
| 1.2.2 关于机器学习算法比较的研究综述 | 第16页 |
| 1.3 本文的研究内容和创新点 | 第16-19页 |
| 1.3.1 研究内容 | 第16-17页 |
| 1.3.2 创新点 | 第17-19页 |
| 第2章 理论基础 | 第19-31页 |
| 2.1 有监督学习算法 | 第19-27页 |
| 2.1.1 支持向量机 | 第19-23页 |
| 2.1.2 k-最近邻回归 | 第23-24页 |
| 2.1.3 决策树 | 第24-27页 |
| 2.2 无监督学习算法 | 第27-30页 |
| 2.2.1 主成分分析 | 第27-29页 |
| 2.2.2 k-均值聚类 | 第29-30页 |
| 2.3 本章小结 | 第30-31页 |
| 第3章 实证分析 | 第31-45页 |
| 3.1 实验工具 | 第31页 |
| 3.2 实验数据 | 第31-33页 |
| 3.3 数据预处理 | 第33页 |
| 3.4 上证综指的实验结果和分析 | 第33-38页 |
| 3.4.1 支持向量机 | 第33-35页 |
| 3.4.2 k-最近邻回归 | 第35-36页 |
| 3.4.3 决策树 | 第36-37页 |
| 3.4.4 实验结果比较 | 第37-38页 |
| 3.5 标准普尔500指数的实验结果和分析 | 第38-43页 |
| 3.5.1 支持向量机 | 第38-40页 |
| 3.5.2 k-最近邻回归 | 第40-41页 |
| 3.5.3 决策树 | 第41-42页 |
| 3.5.4 实验结果比较 | 第42-43页 |
| 3.6 本章小结 | 第43-45页 |
| 第4章 模型改进 | 第45-65页 |
| 4.1 主成分分析叠加有监督学习算法实证分析 | 第45-53页 |
| 4.1.1 基于主成分分析的支持向量机算法 | 第45-46页 |
| 4.1.2 基于主成分分析的k-最近邻回归算法 | 第46-48页 |
| 4.1.3 基于主成分分析的决策树算法 | 第48-49页 |
| 4.1.4 上证综指的实验结果 | 第49-51页 |
| 4.1.5 标准普尔500指数的实验结果 | 第51-53页 |
| 4.2 k-均值聚类叠加有监督学习算法实证分析 | 第53-60页 |
| 4.2.1 基于k-均值聚类的支持向量机算法 | 第53-54页 |
| 4.2.2 基于k-均值聚类的k-最近邻回归算法 | 第54-55页 |
| 4.2.3 基于k-均值聚类的决策树算法 | 第55-56页 |
| 4.2.4 上证综指的实验结果 | 第56-58页 |
| 4.2.5 标准普尔500指数的实验结果 | 第58-60页 |
| 4.3 实验结果分析 | 第60-64页 |
| 4.3.1 支持向量机的组合模型比较 | 第60-61页 |
| 4.3.2 k-最近邻回归的组合模型比较 | 第61-63页 |
| 4.3.3 决策树的组合模型比较 | 第63-64页 |
| 4.4 本章小结 | 第64-65页 |
| 第5章 总结与展望 | 第65-67页 |
| 5.1 研究工作总结 | 第65页 |
| 5.2 研究局限与展望 | 第65-67页 |
| 参考文献 | 第67-69页 |
| 致谢 | 第69-71页 |
| 学位论文评阅及答辩情况表 | 第71页 |
