| 致谢 | 第5-7页 |
| 摘要 | 第7-9页 |
| ABSTRACT | 第9-10页 |
| 第1章 绪论 | 第13-23页 |
| 1.1 选题背景 | 第13-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.3 理论基础 | 第18-21页 |
| 1.4 主要研究内容 | 第21-23页 |
| 第2章 利用Potts自旋粒子系统建立股票市场价格模型 | 第23-29页 |
| 2.1 引言 | 第23页 |
| 2.2 Potts自旋粒子系统理论 | 第23-24页 |
| 2.3 构建股票市场价格模型 | 第24-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第3章 基于Potts模型的时间序列统计分析 | 第29-59页 |
| 3.1 引言 | 第29-30页 |
| 3.2 收益率序列的统计特性分析 | 第30-44页 |
| 3.2.1 基本的统计特性分析 | 第30-32页 |
| 3.2.2 多尺度不变距离复杂度研究 | 第32-41页 |
| 3.2.3 相空间重构及关联维度分析 | 第41-44页 |
| 3.3 回程间隙序列的统计特性分析 | 第44-56页 |
| 3.3.1 回程间隙的相关概念及意义 | 第45-46页 |
| 3.3.2 基于LZC方法的复杂度分析 | 第46-49页 |
| 3.3.3 回程间隙序列的多重分形性 | 第49-56页 |
| 3.4 本章小结 | 第56-59页 |
| 第4章 基于主成分分析的随机时效神经网络预测系统 | 第59-75页 |
| 4.1 引言 | 第59-60页 |
| 4.2 BPNN神经网络理论 | 第60-61页 |
| 4.3 STNN神经网络算法介绍 | 第61-64页 |
| 4.4 主成分分析方法 | 第64-65页 |
| 4.5 PCA-STNN预测模型的建立 | 第65-67页 |
| 4.6 实证分析 | 第67-73页 |
| 4.7 本章小结 | 第73-75页 |
| 第5章 基于经验模式分解的随机时效神经网络预测系统 | 第75-91页 |
| 5.1 引言 | 第75-76页 |
| 5.2 经验模式分解(EMD)方法介绍 | 第76-77页 |
| 5.3 混合型预测模型EMD-STNN的构造 | 第77-79页 |
| 5.4 关于预测模型EMD-STNN的实证训练 | 第79-82页 |
| 5.5 不同模型的预测误差对比 | 第82-87页 |
| 5.6 基于MCID方法的预测结果对比 | 第87-88页 |
| 5.7 本章小结 | 第88-91页 |
| 第6章 随机时效型递归神经网络预测系统 | 第91-109页 |
| 6.1 引言 | 第91-92页 |
| 6.2 Elman递归神经网络 | 第92-94页 |
| 6.3 随机时效型ST-ERNN预测模型构造 | 第94-96页 |
| 6.4 数据描述 | 第96-99页 |
| 6.5 实证分析 | 第99-107页 |
| 6.5.1 ST-ERNN模型在股票市场的应用 | 第99-103页 |
| 6.5.2 ST-ERNN模型在原油市场中的应用 | 第103-107页 |
| 6.6 本章小结 | 第107-109页 |
| 第7章 结论 | 第109-111页 |
| 参考文献 | 第111-121页 |
| 作者简历及攻读博士学位期间取得的研究成果 | 第121-125页 |
| 学位论文数据集 | 第125页 |