摘要 | 第5-7页 |
abstract | 第7-9页 |
第一章 绪论 | 第13-24页 |
1.1 研究工作的背景与意义 | 第13-15页 |
1.2 国内外研究历史与现状 | 第15-20页 |
1.2.1 时间序列互相关性分析研究历史与现状 | 第15-17页 |
1.2.2 时间序列多尺度分析研究历史与现状 | 第17-19页 |
1.2.3 时间序列预测应用研究历史与现状 | 第19-20页 |
1.3 本文的主要贡献与创新 | 第20-22页 |
1.4 本论文的结构安排 | 第22-24页 |
第二章 时间序列分析理论和技术 | 第24-37页 |
2.0 引言 | 第24页 |
2.1 信息熵 | 第24-25页 |
2.1.1 Shannon熵 | 第24-25页 |
2.1.2 Tsallis熵 | 第25页 |
2.2 相关性分析的类型 | 第25-27页 |
2.2.1 自相关性分析 | 第26页 |
2.2.2 互相关性分析 | 第26-27页 |
2.3 尺度分析的类型 | 第27-28页 |
2.3.1 单尺度分析 | 第27页 |
2.3.2 多尺度分析 | 第27-28页 |
2.4 典型趋势分析方法 | 第28-31页 |
2.4.1 DFA趋势分析方法 | 第29-30页 |
2.4.2 MF-DFA趋势分析方法 | 第30-31页 |
2.5 机器学习的类型 | 第31-36页 |
2.5.1 人工神经网络 | 第31-33页 |
2.5.2 支持向量机 | 第33-35页 |
2.5.3 深度学习 | 第35-36页 |
2.6 本章小结 | 第36-37页 |
第三章 时间序列互相关性分析研究 | 第37-54页 |
3.1 概述 | 第37页 |
3.2 基于DH-MXA的股票市场多属性的互相关性分析 | 第37-41页 |
3.2.1 MF-DXA方法 | 第38-39页 |
3.2.2 多尺度多属性互相关性分析方法 | 第39-41页 |
3.3 实验数据 | 第41-45页 |
3.3.1 人工生成的数据 | 第41-42页 |
3.3.2 市场真实的数据 | 第42页 |
3.3.3 数据的前期处理 | 第42-45页 |
3.4 实验结果分析 | 第45-53页 |
3.4.1 人工数据实验结果分析 | 第45-46页 |
3.4.2 真实数据实验结果分析 | 第46-53页 |
3.5 本章小结 | 第53-54页 |
第四章 时间序列多尺度分析研究 | 第54-73页 |
4.1 概述 | 第54页 |
4.2 基于REM3PA方法的股指时间序列多尺度分析 | 第54-57页 |
4.2.1 Rényi熵 | 第55-56页 |
4.2.2 REM3PA方法 | 第56-57页 |
4.3 实验数据 | 第57-58页 |
4.3.1 数据来源 | 第57-58页 |
4.3.2 数据预处理 | 第58页 |
4.4 实验结果分析 | 第58-72页 |
4.4.1 多属性分析的必要性 | 第58-62页 |
4.4.2 REM3PA的实验结果分析 | 第62-72页 |
4.5 本章小结 | 第72-73页 |
第五章 时间序列预测应用研究 | 第73-97页 |
5.1 概述 | 第73-74页 |
5.2 基于EEMD和机器学习方法的时间序列预测 | 第74-82页 |
5.2.1 EEMD经验模态分解 | 第74-76页 |
5.2.2 LSTM神经网络 | 第76-80页 |
5.2.3 提出方法的模型结构 | 第80-82页 |
5.3 实验数据及评价指标 | 第82-85页 |
5.3.1 人工模拟的数据 | 第82-83页 |
5.3.2 社会真实的数据 | 第83页 |
5.3.3 数据预处理 | 第83-84页 |
5.3.4 评价指标 | 第84-85页 |
5.4 实验结果及分析 | 第85-95页 |
5.4.1 同类其它方法实验结果分析 | 第85-90页 |
5.4.2 人工数据实验结果分析 | 第90-95页 |
5.4.3 真实数据实验结果分析 | 第95页 |
5.5 本章小结 | 第95-97页 |
第六章 全文总结与展望 | 第97-99页 |
6.1 全文总结 | 第97-98页 |
6.2 后续工作展望 | 第98-99页 |
致谢 | 第99-101页 |
参考文献 | 第101-115页 |
攻读博士学位期间取得的成果 | 第115-116页 |