摘要 | 第5-6页 |
Abstract | 第6-7页 |
第1章 绪论 | 第12-17页 |
1.1 选题研究背景、目的与意义 | 第12页 |
1.2 数据挖掘技术的功能 | 第12-13页 |
1.3 数据挖掘在金融市场的应用 | 第13-15页 |
1.3.1 数据挖掘在证券行业的应用 | 第14页 |
1.3.2 数据挖掘在银行业的应用 | 第14-15页 |
1.3.3 数据挖掘在保险业的应用 | 第15页 |
1.4 本文构想 | 第15-17页 |
第2章 相关理论技术 | 第17-25页 |
2.1 金融市场的特点与模型 | 第17-19页 |
2.1.1 金融市场特性 | 第17-18页 |
2.1.2 金融市场的分类 | 第18-19页 |
2.2 数据挖掘技术 | 第19-24页 |
2.2.1 数据挖掘常用方法 | 第19-22页 |
2.2.2 金融时间序列数据挖掘模型 | 第22-24页 |
2.3 小结 | 第24-25页 |
第3章 改进的FCM聚类算法 | 第25-32页 |
3.1 聚类算法 | 第25-26页 |
3.2 FCM聚类算法 | 第26-31页 |
3.2.1 模糊C均值聚类 | 第26-27页 |
3.2.2 算法指标 | 第27-29页 |
3.2.3 算法缺点 | 第29页 |
3.2.4 参数m和c的确定 | 第29-31页 |
3.3 小结 | 第31-32页 |
第4章 EMD-SVR预测模型 | 第32-49页 |
4.1 支持向量机 | 第32-42页 |
4.1.1 VC维 | 第32-33页 |
4.1.2 最优分类面的选取 | 第33-35页 |
4.1.3 广义最优分类面 | 第35-36页 |
4.1.4 核函数的选取 | 第36-38页 |
4.1.5 SSMO训练SVM算法 | 第38-42页 |
4.2 支持向量回归机 | 第42-46页 |
4.2.1 理论技术 | 第42-45页 |
4.2.2 实现技术 | 第45页 |
4.2.3 SVR用于金融预测 | 第45-46页 |
4.3 经验模态分解 | 第46-48页 |
4.4 小结 | 第48-49页 |
第5章 基于改进FCM聚类的EMD-SVR预测实验分析 | 第49-62页 |
5.1 FCM聚类方法的实验步骤 | 第50-51页 |
5.2 EMD-SVR预测模型实验步骤 | 第51-56页 |
5.3 实验数据及收益分布函数的选取 | 第56-59页 |
5.3.1 实验数据的选取 | 第56页 |
5.3.2 收益分布函数的选取 | 第56-59页 |
5.4 混合模型的实现 | 第59-61页 |
5.5 小结 | 第61-62页 |
结论 | 第62-64页 |
参考文献 | 第64-68页 |
致谢 | 第68页 |