基于随机微分方程模型的金融时间序列预测的研究
| 摘要 | 第1-9页 |
| Abstract | 第9-11页 |
| 第一章 引言 | 第11-17页 |
| ·研究背景和意义 | 第11页 |
| ·课题的研究动态 | 第11-15页 |
| ·平稳时间序列模型 | 第12页 |
| ·ARIMA 模型 | 第12-13页 |
| ·神经网络模型 | 第13-14页 |
| ·支持向量机模型 | 第14页 |
| ·马尔可夫模型 | 第14-15页 |
| ·选题依据 | 第15-16页 |
| ·论文的结构 | 第16-17页 |
| 第二章 模型的理论基础 | 第17-23页 |
| ·混沌动力系统 | 第17页 |
| ·微分方程 | 第17-18页 |
| ·随机过程 | 第18-19页 |
| ·伊藤过程 | 第19页 |
| ·马尔可夫过程 | 第19-20页 |
| ·MATLAB 软件的仿真 | 第20-21页 |
| ·极大似然估计 | 第21-23页 |
| 第三章 进化算法 | 第23-39页 |
| ·进化算法基础 | 第23-24页 |
| ·遗传编程 | 第24页 |
| ·多表达式编程 | 第24-31页 |
| ·多表达式编程的编码 | 第25-26页 |
| ·多表达式编程的适应值函数 | 第26-27页 |
| ·多表达式编程的遗传操作 | 第27-29页 |
| ·多表达式编程的算法步骤及流程图 | 第29-30页 |
| ·多表达式编程的优点 | 第30-31页 |
| ·遗传算法（GA） | 第31-34页 |
| ·遗传算法的基本原理 | 第31页 |
| ·遗传算法的主要步骤 | 第31-32页 |
| ·遗传算法的流程图 | 第32-33页 |
| ·遗传算法的特点 | 第33页 |
| ·遗传算法中的运行参数 | 第33-34页 |
| ·遗传算法的不足 | 第34页 |
| ·粒子群优化算法（PSO） | 第34-39页 |
| ·PSO 算法概述 | 第34-36页 |
| ·PSO 算法步骤 | 第36页 |
| ·PSO 算法的优点 | 第36-37页 |
| ·PSO 算法流程图 | 第37页 |
| ·改进的 PSO 算法 | 第37-39页 |
| 第四章 随机微分方程模型 | 第39-43页 |
| ·随机微分方程 | 第39页 |
| ·随机微分方程的解 | 第39-40页 |
| ·随机微分方程的解的差分近似 | 第40-43页 |
| 第五章 基于随机微分方程的金融时间序列预测 | 第43-51页 |
| ·数据来源 | 第43页 |
| ·随机微分方程的差分处理 | 第43-44页 |
| ·数据处理及方程优化 | 第44页 |
| ·金融时间序列预测结果 | 第44-50页 |
| ·股票预测的实验结果及误差比较 | 第44-46页 |
| ·汇率预测的实验结果及误差比较 | 第46-50页 |
| ·结果分析 | 第50-51页 |
| 第六章 结论与展望 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 致谢 | 第57-59页 |
| 附录 | 第59页 |
