| 内容摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 导论 | 第9-19页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.3 本文研究的主要内容和结构 | 第16-18页 |
| 1.3.1 本文的主要研究内容 | 第16-17页 |
| 1.3.2 本文的研究结构 | 第17-18页 |
| 1.4 本文的主要贡献 | 第18-19页 |
| 第2章 相关理论基础 | 第19-34页 |
| 2.1 支持向量机及其相关理论 | 第19-26页 |
| 2.1.1 机器学习 | 第19-20页 |
| 2.1.2 统计学习理论 | 第20-21页 |
| 2.1.3 支持向量机原理 | 第21-26页 |
| 2.2 小波分析理论 | 第26-29页 |
| 2.2.1 傅里叶变换 | 第26-27页 |
| 2.2.2 短时傅里叶变换 | 第27页 |
| 2.2.3 小波变换 | 第27-28页 |
| 2.2.4 小波核函数的构造 | 第28-29页 |
| 2.3 主成分分析 | 第29-30页 |
| 2.3.1 主成分分析的基本原理 | 第29-30页 |
| 2.3.2 主成分分析的数学模型 | 第30页 |
| 2.4 遗传算法 | 第30-32页 |
| 2.5 粒子群算法 | 第32-33页 |
| 2.6 本章小结 | 第33-34页 |
| 第3章 基于Morlet小波核函数支持向量机的沪深300指数预测模型的建立 | 第34-56页 |
| 3.1 研究工具介绍 | 第34-35页 |
| 3.2 数据来源和指标选取 | 第35-39页 |
| 3.3 模型的评价标准 | 第39页 |
| 3.4 数据的预处理 | 第39-41页 |
| 3.4.1 数据的归一化处理 | 第39-40页 |
| 3.4.2 主成分分析 | 第40-41页 |
| 3.5 模型的建立 | 第41-53页 |
| 3.5.1 遗传算法优化的支持向量机模型 | 第42-48页 |
| 3.5.2 粒子群算法优化的支持向量机模型 | 第48-53页 |
| 3.6 结果比较分析 | 第53-54页 |
| 3.7 本章小结 | 第54-56页 |
| 第4章 与BP神经网络预测模型比较 | 第56-61页 |
| 4.1 BP神经网络基本原理 | 第56-57页 |
| 4.2 BP神经网络的数学表达 | 第57-58页 |
| 4.3 基于BP神经网络的沪深300指数预测模型的构建 | 第58-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第5章 总结 | 第61-63页 |
| 5.1 本文主要工作和结论 | 第61页 |
| 5.2 研究的局限和未来的展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 后记 | 第66页 |