基于支持向量机的金融时间序列研究
| 摘要 | 第1-6页 |
| Abstract | 第6-12页 |
| 第1章 绪论 | 第12-18页 |
| ·前言 | 第12-13页 |
| ·研究背景及意义 | 第13页 |
| ·国内外文献综述 | 第13-16页 |
| ·基于SVM 的金融时间序列分析基本应用 | 第14页 |
| ·改进的SVM 金融时间序列分析方法 | 第14-15页 |
| ·基于核学习的改进型支持向量机 | 第15页 |
| ·基于智能融合的支持向量机 | 第15-16页 |
| ·本文的主要创新 | 第16页 |
| ·本文的主要工作 | 第16-17页 |
| ·小结 | 第17-18页 |
| 第2章 金融时间序列研究 | 第18-29页 |
| ·前言 | 第18页 |
| ·时间序列的定义 | 第18页 |
| ·时间序列的主要研究领域 | 第18-22页 |
| ·模式挖掘 | 第19-20页 |
| ·预测技术 | 第20-21页 |
| ·异常检测 | 第21-22页 |
| ·金融时间序列特征 | 第22-23页 |
| ·金融时间序列分析方法 | 第23-27页 |
| ·神经网络 | 第23-25页 |
| ·混沌动力学方法 | 第25-26页 |
| ·分形分布 | 第26页 |
| ·小波方法 | 第26页 |
| ·支持向量机方法 | 第26-27页 |
| ·实验数据选取依据 | 第27-28页 |
| ·小结 | 第28-29页 |
| 第3章 统计学习理论与支持向量机研究 | 第29-38页 |
| ·前言 | 第29页 |
| ·统计学习理论 | 第29-32页 |
| ·经验风险最小化 | 第29-30页 |
| ·复杂性和推广能力 | 第30-31页 |
| ·VC 维 | 第31页 |
| ·结构风险最小化 | 第31-32页 |
| ·支持向量机 | 第32-37页 |
| ·最优超平面 | 第32-33页 |
| ·支持向量机思想 | 第33-34页 |
| ·支持向量回归机 | 第34-35页 |
| ·常用核函数 | 第35-36页 |
| ·模型参数的影响与优化 | 第36-37页 |
| ·小结 | 第37-38页 |
| 第4章 基于决策树和SVM 的金融时间序列研究 | 第38-47页 |
| ·前言 | 第38页 |
| ·基于决策树信息增益的金融特征抽取 | 第38-44页 |
| ·决策树方法介绍 | 第38-39页 |
| ·ID3 算法 | 第39-40页 |
| ·决策树语义扩展 | 第40-41页 |
| ·ID3 算法下证券指数信息增益计算 | 第41-43页 |
| ·基于决策树信息增益的特征抽取 | 第43-44页 |
| ·基于特征抽取后的SVM 回归实证分析 | 第44-46页 |
| ·训练数据及评价标准 | 第44-45页 |
| ·核函数、不敏感损失函数及相应参数的选择 | 第45页 |
| ·实验结果分析 | 第45-46页 |
| ·小结 | 第46-47页 |
| 第5章 基于核学习的金融时间序列回归研究 | 第47-54页 |
| ·前言 | 第47页 |
| ·核函数构造 | 第47-48页 |
| ·核函数构造理论 | 第47-48页 |
| ·核函数构造方法 | 第48页 |
| ·基于混合核函数的金融时间序列预测 | 第48-50页 |
| ·局部核函数和全局核函数 | 第48-49页 |
| ·RBF 核和多项式核 | 第49页 |
| ·混合核函数 | 第49-50页 |
| ·基于多项式和RBF 混合核支持向量机的回归应用 | 第50-52页 |
| ·训练数据及评价标准 | 第50页 |
| ·核函数、不敏感损失函数及相应参数的选择 | 第50-51页 |
| ·实验结果分析 | 第51-52页 |
| ·小结 | 第52-54页 |
| 总结与展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59-60页 |
| 附录 A (攻读学位期间发表的论文) | 第60页 |
