基于PCA-SVM-GARCH模型的股价预测
| 摘要 | 第5-6页 |
| abstract | 第6页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 国外研究现状 | 第12-14页 |
| 1.2.2 国内研究现状 | 第14-15页 |
| 1.3 研究目标和方法 | 第15-16页 |
| 1.4 本文创新点 | 第16-17页 |
| 第2章 相关理论 | 第17-23页 |
| 2.1 机器学习 | 第17-19页 |
| 2.1.1 机器学习的分类 | 第17页 |
| 2.1.2 机器学习的表达 | 第17-18页 |
| 2.1.3 机器学习的泛化能力 | 第18-19页 |
| 2.2 支持向量机 | 第19-21页 |
| 2.2.1 支持向量机的分类 | 第19页 |
| 2.2.2 支持向量机的优点 | 第19-20页 |
| 2.2.3 核函数 | 第20页 |
| 2.2.4 交叉验证法 | 第20-21页 |
| 2.3 主成分分析 | 第21页 |
| 2.4 GARCH模型 | 第21-23页 |
| 第3章 个股预测 | 第23-44页 |
| 3.1 数据选取及处理 | 第23-24页 |
| 3.2 基本模型 | 第24-38页 |
| 3.2.1 支持向量机模型 | 第25-28页 |
| 3.2.2 主成分分析模型 | 第28-34页 |
| 3.2.2.1 数据标准化处理 | 第29-31页 |
| 3.2.2.2 碎石图法确定主成分 | 第31页 |
| 3.2.2.3 特征根法确定主成分 | 第31-34页 |
| 3.2.3 广义自回归条件异方差模型 | 第34-38页 |
| 3.2.3.1 股票收益率统计特征 | 第34-36页 |
| 3.2.3.2 收益率平稳性检 | 第36页 |
| 3.2.3.3 收益率自相关、偏自相关检验 | 第36-37页 |
| 3.2.3.4 收益率ARCH效应检验 | 第37页 |
| 3.2.3.5 GARCH模型选择与预测结果 | 第37-38页 |
| 3.3 组合模型的建立 | 第38-44页 |
| 3.3.1 PCA-SVM模型的建立 | 第38-40页 |
| 3.3.2 SVM-GARCH模型的建立 | 第40-41页 |
| 3.3.3 PCA-SVM-GARCH模型的建立 | 第41-44页 |
| 第4章 股指预测 | 第44-50页 |
| 4.1 股指的SVM模型 | 第44-45页 |
| 4.2 股指的PCA模型 | 第45-46页 |
| 4.3 股指的GARCH模型 | 第46-47页 |
| 4.4 模型对比与小结 | 第47-50页 |
| 第5章 稳定性分析 | 第50-56页 |
| 5.1 数据周期对股价预测的影响 | 第50-52页 |
| 5.2 持仓天数对股价预测的影响 | 第52-53页 |
| 5.3 个股选择对股价预测的影响 | 第53-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 文章结论 | 第56页 |
| 6.2 本文优点 | 第56-57页 |
| 6.3 本文不足 | 第57页 |
| 6.4 未来展望 | 第57-58页 |
| 参考文献 | 第58-61页 |
| 致谢 | 第61-62页 |
