基于加权SVM与粒计算的金融时间序列波动范围预测研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题背景及意义 | 第11-12页 |
| 1.2 国内外研究情况 | 第12-17页 |
| 1.2.1 证券投资分析法 | 第12-14页 |
| 1.2.2 数理统计模型法 | 第14页 |
| 1.2.3 数据挖掘法 | 第14-17页 |
| 1.3 论文结构 | 第17-18页 |
| 第二章 支持向量机 | 第18-41页 |
| 2.1 机器学习理论 | 第18-19页 |
| 2.1.1 学习过程的描述 | 第18-19页 |
| 2.1.2 经验风险最小化 | 第19页 |
| 2.2 统计学习理论 | 第19-23页 |
| 2.2.1 相关背景 | 第19-20页 |
| 2.2.2 VC维 | 第20-22页 |
| 2.2.3 结构风险最小化 | 第22-23页 |
| 2.3 支持向量机方法 | 第23-29页 |
| 2.3.1 支持向量机简介 | 第23-24页 |
| 2.3.2 线性分类器 | 第24-26页 |
| 2.3.3 非线性分类器 | 第26-27页 |
| 2.3.4 支持向量机回归 | 第27-29页 |
| 2.4 支持向量机参数寻优 | 第29-40页 |
| 2.4.1 不同参数的影响 | 第29-31页 |
| 2.4.2 穷举法 | 第31-32页 |
| 2.4.3 遗传算法 | 第32-34页 |
| 2.4.4 粒子群优化算法 | 第34-36页 |
| 2.4.5 交叉验证法 | 第36-39页 |
| 2.4.6 参数的初步筛选 | 第39-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第三章 粒计算理论 | 第41-48页 |
| 3.1 粒计算简介 | 第41-42页 |
| 3.2 模糊信息粒化 | 第42-47页 |
| 3.3 本章小结 | 第47-48页 |
| 第四章 基于加权SVM与粒计算的预测算法 | 第48-59页 |
| 4.1 改进后的加权支持向量机 | 第48-50页 |
| 4.2 加权系数寻优 | 第50-53页 |
| 4.3 模糊粒化方法 | 第53-54页 |
| 4.4 基于加权SVM与粒计算的波动范围预测模型 | 第54-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 实验与结果分析 | 第59-70页 |
| 5.1 实验环境与数据 | 第59-60页 |
| 5.2 数据预处理 | 第60页 |
| 5.3 评价指标 | 第60-61页 |
| 5.4 实验过程 | 第61-67页 |
| 5.5 窗口选取对结果的影响 | 第67-69页 |
| 5.6 本章小结 | 第69-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 6.1 全文总结 | 第70-71页 |
| 6.2 进一步研究方向 | 第71-72页 |
| 参考文献 | 第72-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士学位期间已发表或录用的论文 | 第77-79页 |
