| 摘要 | 第7-8页 |
| Abstract | 第8页 |
| 1. 绪论 | 第9-16页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 相关课题的研究与应用现状 | 第10-14页 |
| 1.2.1 时间序列分析理论的研究现状 | 第10-11页 |
| 1.2.2 股价预测的研究现状 | 第11-13页 |
| 1.2.3 小波分析在股票预测中的研究现状 | 第13-14页 |
| 1.3 研究思路与基本框架 | 第14-15页 |
| 1.4 本文的创新与不足 | 第15-16页 |
| 2. 时间序列分析理论 | 第16-21页 |
| 2.1 时间序列的预处理 | 第16-18页 |
| 2.1.1 平稳性的定义与检验 | 第16-17页 |
| 2.1.2 纯随机性的定义与检验 | 第17-18页 |
| 2.2 时间序列模型 | 第18-21页 |
| 2.2.1 AR模型简介 | 第18页 |
| 2.2.2 MA模型简介 | 第18-19页 |
| 2.2.3 ARMA模型简介 | 第19页 |
| 2.2.4 ARIMA模型简介 | 第19-21页 |
| 3. 小波分析理论 | 第21-31页 |
| 3.1 傅里叶分析理论 | 第21页 |
| 3.2 小波分析理论 | 第21-26页 |
| 3.2.1 连续小波变换 | 第22页 |
| 3.2.2 离散小波变换 | 第22-23页 |
| 3.2.3 常用小波函数 | 第23-26页 |
| 3.3 多分辨分析 | 第26-27页 |
| 3.4 Mallat算法 | 第27-28页 |
| 3.5 小波去噪 | 第28-31页 |
| 3.5.1 小波去噪的原理 | 第28页 |
| 3.5.2 小波去噪的步骤 | 第28-29页 |
| 3.5.3 小波去噪阈值选取方法 | 第29-31页 |
| 4. 数据预处理与模型构建 | 第31-38页 |
| 4.1 数据的选取 | 第31页 |
| 4.2 数据的基本统计特征分析 | 第31-33页 |
| 4.3 模型的选取 | 第33-34页 |
| 4.4 模型的识别与定阶 | 第34页 |
| 4.5 模型参数的估计 | 第34-36页 |
| 4.6 模型的检验与预测 | 第36-38页 |
| 5. 实证分析 | 第38-47页 |
| 5.1 基于ARIMA模型的股指序列分析 | 第38-41页 |
| 5.2 小波去噪过程 | 第41-42页 |
| 5.3 基于小波分析与ARIMA组合的股指序列分析 | 第42-47页 |
| 6. 研究结论与展望 | 第47-49页 |
| 参考文献 | 第49-53页 |
| 附录 | 第53-56页 |
| 致谢 | 第56页 |