基于高斯过程机器学习方法的证券预测模型研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·课题研究背景 | 第9-12页 |
| ·本文工作及创新 | 第12页 |
| ·本文内容及组织 | 第12-14页 |
| 第二章 预备知识 | 第14-18页 |
| ·联合,边缘及条件概率 | 第14-15页 |
| ·边缘概率 | 第14页 |
| ·条件概率 | 第14页 |
| ·贝叶斯公式 | 第14-15页 |
| ·高斯分布 | 第15-16页 |
| ·矩阵的相关知识 | 第16页 |
| ·矩阵的反演引理 | 第16页 |
| ·矩阵的求导 | 第16页 |
| ·矩阵的范数 | 第16页 |
| ·Cholesky分解 | 第16-18页 |
| 第三章 高斯过程在机器学习中的相关知识及应用 | 第18-43页 |
| ·介绍 | 第18-22页 |
| ·贝叶斯模型 | 第20-22页 |
| ·回归 | 第22-37页 |
| ·权重空间 | 第23-27页 |
| ·函数空间 | 第27-34页 |
| ·改变超参数 | 第34-35页 |
| ·回归的决策论 | 第35-36页 |
| ·平滑、权重函数和等价的核函数 | 第36-37页 |
| ·协方差函数 | 第37-43页 |
| ·几种常见的协方差函数 | 第38-43页 |
| 第四章 时间序列模型 | 第43-49页 |
| ·ARMA模型 | 第43-46页 |
| ·AR模型 | 第43-44页 |
| ·MA模型 | 第44-45页 |
| ·ARMA模型 | 第45-46页 |
| ·平稳序列建模规则 | 第46-47页 |
| ·ARIMA模型 | 第47页 |
| ·ARIMA模型建模 | 第47-49页 |
| 第五章 基于高斯过程的时间序列分析 | 第49-53页 |
| ·数据驱动的高斯自回归模型 | 第49-50页 |
| ·多步预测模型 | 第50-51页 |
| ·指数高斯过程ARCH模型 | 第51-53页 |
| 第六章 高斯过程机器学习方法对证券的预测 | 第53-65页 |
| ·样本数据的描述 | 第53-55页 |
| ·高斯过程模型 | 第55-60页 |
| ·利用高斯过程对期货的长期预测 | 第60-63页 |
| ·预测的函数表达 | 第60-61页 |
| ·增强的函数表达法 | 第61-62页 |
| ·协方差函数 | 第62-63页 |
| ·结论 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-68页 |
