致谢 | 第7-8页 |
摘要 | 第8-9页 |
Abstract | 第9-10页 |
第一章 绪论 | 第16-22页 |
1.1 课题研究背景及意义 | 第16-17页 |
1.2 股市波动的研究现状 | 第17-19页 |
1.3 贝叶斯网络 | 第19-20页 |
1.4 本文的主要工作创新和课题来源 | 第20页 |
1.4.1 本文的主要工作创新 | 第20页 |
1.4.2 课题来源 | 第20页 |
1.5 本文组织结构 | 第20-22页 |
第二章 贝叶斯网络和股市波动概述 | 第22-30页 |
2.1 贝叶斯网络基础知识 | 第22-24页 |
2.1.1 贝叶斯定理 | 第22页 |
2.1.2 贝叶斯网络概述 | 第22-24页 |
2.2 贝叶斯网络的应用 | 第24-26页 |
2.2.1 因果贝叶斯网络 | 第24-25页 |
2.2.2 马尔科夫毯 | 第25-26页 |
2.3 股市波动性研究内容 | 第26-29页 |
2.3.1 股市波动的特性 | 第26-27页 |
2.3.2 GARCH模型介绍 | 第27-28页 |
2.3.3 GARCH模型的扩展 | 第28-29页 |
2.4 本章小结 | 第29-30页 |
第三章 基于特征滞后计算的股市波动预测模型 | 第30-50页 |
3.1 引言 | 第30-31页 |
3.2 滞后性 | 第31-32页 |
3.3 指标特征的能量性和滞后性 | 第32-37页 |
3.3.1 指标特征的能量性 | 第32-34页 |
3.3.2 指标特征的滞后性 | 第34-36页 |
3.3.4 股市滞后程度计算 | 第36-37页 |
3.4 基于滞后风险特征模式的TGARCH-M模型 | 第37-43页 |
3.4.1 TGARCH-M模型的建立 | 第38页 |
3.4.2 特征滞后的均值方程 | 第38-39页 |
3.4.3 特征滞后的方差方程 | 第39-40页 |
3.4.4 特征滞后的广义自回归条件异方差模型 | 第40页 |
3.4.5 LRD-TGARCH-M模型的参数估计 | 第40-41页 |
3.4.6 LRD-TGARCH-M模型的误差分析 | 第41-42页 |
3.4.7 LRD-TGARCH-M模型的预测公式 | 第42-43页 |
3.4.8 LRD-TGARCH-M算法描述 | 第43页 |
3.5 实验数据处理 | 第43-45页 |
3.5.1 数据选取 | 第43-44页 |
3.5.2 数据的预处理 | 第44页 |
3.5.3 模型阶数的选择 | 第44页 |
3.5.4 对比实验的选择 | 第44-45页 |
3.5.5 评价准则 | 第45页 |
3.6 实验结果分析 | 第45-48页 |
3.6.1 模型的参数估计结果对比分析 | 第45-46页 |
3.6.2 模型的预测结果对比 | 第46-48页 |
3.6.3 结果分析 | 第48页 |
3.7 本章小结 | 第48-50页 |
第四章 基于特征因果滞后计算的股市态势预测 | 第50-65页 |
4.1 引言 | 第50页 |
4.2 指标的滞后特征提取和能量定义 | 第50-53页 |
4.2.1 指标的滞后特征提取 | 第50-52页 |
4.2.2 指标的能量定义 | 第52-53页 |
4.3 滞后特征的局部因果结构 | 第53-58页 |
4.3.1 马尔科夫毯 | 第54页 |
4.3.2 扰动学习 | 第54页 |
4.3.3 滞后特征的离散化 | 第54-57页 |
4.3.4 局部因果结构的建立 | 第57-58页 |
4.4 基于特征因果结构的滞后计算 | 第58-59页 |
4.5 基于特征因果滞后计算的TGARCH-M模型 | 第59-61页 |
4.5.1 CLD-TGARCH-M模型的构建 | 第59-60页 |
4.5.2 CLD-TGARCH-M算法描述 | 第60-61页 |
4.6 实验数据处理及结果分析 | 第61-64页 |
4.6.1 实验数据 | 第61页 |
4.6.2 实验数据处理 | 第61-63页 |
4.6.3 对比实验 | 第63页 |
4.6.4 CLD-TGARCH-M算法的结果及对比 | 第63-64页 |
4.6.5 结果分析 | 第64页 |
4.7 本章小结 | 第64-65页 |
第五章 总结与展望 | 第65-67页 |
5.1 本文的主要工作总结 | 第65页 |
5.2 工作展望 | 第65-67页 |
参考文献 | 第67-71页 |
攻读硕士学位期间的学术活动及成果情况 | 第71-72页 |