统计学习方法在金融数据分析中的应用
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 1 绪论 | 第7-14页 |
| 1.1 研究背景与意义 | 第7-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 金融时间序列数据模型 | 第9-10页 |
| 1.2.2 支持向量机 | 第10-12页 |
| 1.3 本研究主要内容和研究方法 | 第12-14页 |
| 1.3.1 研究内容 | 第12-13页 |
| 1.3.2 主要研究方法 | 第13-14页 |
| 2 统计学习与支持向量机理论 | 第14-27页 |
| 2.1 统计学习理论 | 第14-17页 |
| 2.2 支持向量机理论 | 第17-24页 |
| 2.2.1 支持向量机基本原理 | 第17-18页 |
| 2.2.2 线性可分SVM | 第18-20页 |
| 2.2.3 近似线性可分SVM | 第20-21页 |
| 2.2.4 非线性可分SVM | 第21-22页 |
| 2.2.5 基于时间序列支持向量机预测模型 | 第22-24页 |
| 2.3 PCA及KPCA原理 | 第24-27页 |
| 2.3.1 主成分分析 | 第24-26页 |
| 2.3.2 KPCA分析 | 第26-27页 |
| 3 基于SVM的股票指数预测 | 第27-34页 |
| 3.1 数据来源和指标选取 | 第27-28页 |
| 3.2 模型建立 | 第28页 |
| 3.3 模型实现 | 第28-32页 |
| 3.3.1 数据选取 | 第28-29页 |
| 3.3.2 数据预处理 | 第29-30页 |
| 3.3.3 参数选择 | 第30-31页 |
| 3.3.4 利用最佳参数训练SVM模型做拟合预测 | 第31-32页 |
| 3.4 研究结果及对比分析 | 第32-34页 |
| 4 基于SVM的上市公司多分类与绩效分析 | 第34-43页 |
| 4.1 研究现状 | 第34页 |
| 4.2 最小二乘SVM与稀疏最小二乘SVM | 第34-37页 |
| 4.2.1 最小二乘SVM | 第34-35页 |
| 4.2.2 稀疏的最小二乘支持向量机 | 第35-37页 |
| 4.3 数据与特征指标的选取 | 第37页 |
| 4.4 数据预处理 | 第37-39页 |
| 4.4.1 分类标准的确定 | 第37-38页 |
| 4.4.2 KPCA特征提取 | 第38-39页 |
| 4.5 研究结果分析 | 第39-43页 |
| 4.5.1 实验结果分析 | 第39-40页 |
| 4.5.2 对比研究结果及分析 | 第40-43页 |
| 结论 | 第43-45页 |
| 参考文献 | 第45-48页 |
| 攻读硕士学位期间发表学术论文情况 | 第48-49页 |
| 致谢 | 第49页 |
