| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-19页 |
| ·研究背景与意义 | 第10-11页 |
| ·文献综述 | 第11-16页 |
| ·国内外对股指期货价格预测的研究 | 第11-14页 |
| ·国内外对时间序列预测方法的研究 | 第14-16页 |
| ·研究思路及框架 | 第16-19页 |
| 第二章 股指期货价格预测研究的理论基础 | 第19-39页 |
| ·股指期货的特征 | 第19-21页 |
| ·小波分析理论基础 | 第21-29页 |
| ·小波函数的理论基础 | 第21-23页 |
| ·小波变换 | 第23-25页 |
| ·多分辨率分析 | 第25-26页 |
| ·Mallat 算法 | 第26-28页 |
| ·小波包分析 | 第28-29页 |
| ·支持向量回归 SVR 理论基础 | 第29-37页 |
| ·统计学习理论基础 | 第29-32页 |
| ·支持向量机（SVM）及其核函数介绍 | 第32-35页 |
| ·支持向量回归（SVR）原理 | 第35页 |
| ·线性支持向量机回归 | 第35-36页 |
| ·非线性支持向量机回归 | 第36-37页 |
| ·本章小结 | 第37-39页 |
| 第三章 基于遗传算法的 SVR 优化理论 | 第39-51页 |
| ·支持向量机回归的参数选择问题 | 第39-41页 |
| ·支持向量机回归的参数选择方法 | 第41-44页 |
| ·遗传算法基本理论和算法流程 | 第44-50页 |
| ·遗传算法基本原理 | 第44-45页 |
| ·遗传算法结构分析与设计 | 第45-50页 |
| ·本章小结 | 第50-51页 |
| 第四章 基于遗传算法的 SVR 优化模型 | 第51-59页 |
| ·基于遗传算法的支持向量回归模型的构建 | 第51-56页 |
| ·选择编码方式 | 第51-52页 |
| ·确定搜索范围 | 第52-53页 |
| ·设计适应度函数 | 第53-54页 |
| ·进行遗传操作 | 第54-55页 |
| ·遗传算法参数设定 | 第55-56页 |
| ·评价指标的选择 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 第五章 应用研究 | 第59-71页 |
| ·数据准备与小波分析 | 第59-62页 |
| ·数据说明及预处理 | 第59页 |
| ·小波分解 | 第59-60页 |
| ·小波除噪 | 第60-61页 |
| ·小波重构 | 第61-62页 |
| ·基于 SVR 的股指期货日收盘价时间序列的预测实证 | 第62-70页 |
| ·基于单纯SVR 模型的股指期货日收盘价时间序列预测 | 第62-64页 |
| ·GA-SVR 模型的性能评价 | 第64-70页 |
| ·本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-78页 |
| 附录 | 第78-83页 |
| 攻读硕士学位期间取得的研究成果 | 第83-84页 |
| 致谢 | 第84-85页 |
| 附件 | 第85页 |