| 中文摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 第一章 绪论 | 第9-21页 |
| ·研究背景 | 第9-12页 |
| ·对传统金融理论基石的质疑 | 第9-10页 |
| ·分形与分形市场假说的建立 | 第10-12页 |
| ·研究意义 | 第12-13页 |
| ·国内外相关领域的研究现状及存在的问题 | 第13-18页 |
| ·国内外相关领域的研究现状 | 第13-18页 |
| ·存在的问题 | 第18页 |
| ·论文的主要内容和创新点 | 第18-21页 |
| 第二章 金融时间序列的长记忆性及其相关理论 | 第21-50页 |
| ·金融时间序列长期记忆性及相关模型 | 第21-31页 |
| ·金融时间序列长记忆性的检验方法 | 第22-25页 |
| ·金融时间序列的均值和波动率模型 | 第25-31页 |
| ·灰色预测理论 | 第31-38页 |
| ·灰色系统理论的提出与发展 | 第31-32页 |
| ·灰色系统的原理 | 第32-34页 |
| ·灰色预测模型 | 第34-36页 |
| ·灰色组合预测模型 | 第36-38页 |
| ·人工神经网络理论基础 | 第38-44页 |
| ·神经网络的概念 | 第39页 |
| ·几种常用的神经网络 | 第39-44页 |
| ·时间序列的混沌分析法 | 第44-49页 |
| ·时间序列的混沌检验方法 | 第45-47页 |
| ·时间序列的混沌预测方法 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第三章 金融时间序列的长记忆性检验 | 第50-65页 |
| ·世界主要股票指数及汇率的长记忆性检验 | 第51-57页 |
| ·数据的预处理及正态性检验 | 第52-54页 |
| ·长记忆性的检验比较 | 第54-57页 |
| ·时间和事件对长记忆检验结果的影响 | 第57-60页 |
| ·时间对检验结果的影响 | 第57-58页 |
| ·事件对检验结果的影响 | 第58-60页 |
| ·V/S分析法的短期敏感度分析 | 第60-63页 |
| ·本章小结 | 第63-65页 |
| 第四章 灰色长记忆模型及其实证研究 | 第65-84页 |
| ·改进的灰色预测模型IGM(1,1)的建立 | 第66-70页 |
| ·基本灰色预测模型GM(1,1) | 第66-67页 |
| ·改进的灰色预测模型IGM(1,1)的建立 | 第67-70页 |
| ·基于IGM(1,1)的长记忆金融时序建模及实证研究 | 第70-76页 |
| ·IGM-ARFIMA模型的建立 | 第71-74页 |
| ·IGM-ARFIMA模型的实证研究 | 第74-76页 |
| ·基于 IGM(1,1)的长记忆金融时序波动率建模及实证研究 | 第76-82页 |
| ·IGM-FIGARCH模型的建立 | 第76-78页 |
| ·IGM-FIGARCH 模型的实证研究 | 第78-82页 |
| ·本章小结 | 第82-84页 |
| 第五章 基于神经网络和相重构的长记忆金融时序预测研究 | 第84-100页 |
| ·Elman神经网络的基本原理 | 第85-87页 |
| ·Elman神经网络的结构 | 第85页 |
| ·Elman神经网络的学习算法 | 第85-87页 |
| ·改进的Elman神经网络 | 第87-90页 |
| ·基于相空间重构技术的非线性金融时间序列预测 | 第90-93页 |
| ·时间序列的相空间重构 | 第90-91页 |
| ·重构相空间中的参数估计 | 第91-93页 |
| ·基于改进Elman网络和相重构的金融时序预测实证研究 | 第93-99页 |
| ·数据的预处理 | 第94页 |
| ·确定相空间重构的参数 | 第94-95页 |
| ·网络结构的设定 | 第95-96页 |
| ·网络训练和预测 | 第96-99页 |
| ·本章小节 | 第99-100页 |
| 第六章 总结与展望 | 第100-102页 |
| ·本文总结 | 第100-101页 |
| ·工作展望 | 第101-102页 |
| 参考文献 | 第102-113页 |
| 发表论文和科研情况说明 | 第113-114页 |
| 致谢 | 第114页 |
