基于信息粒化的SVM在证券时间序列分析中的应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 证券市场研究现状 | 第12-15页 |
| 1.2.1 传统时间序列分析 | 第13页 |
| 1.2.2 神经网络方法 | 第13-14页 |
| 1.2.3 支持向量机的方法 | 第14-15页 |
| 1.3 研究内容 | 第15-16页 |
| 1.4 论文章节安排 | 第16-17页 |
| 第二章 时间序列模型概述 | 第17-25页 |
| 2.1 引言 | 第17页 |
| 2.2 相关概念 | 第17-20页 |
| 2.2.1 时间序列 | 第17-18页 |
| 2.2.2 随机过程 | 第18-20页 |
| 2.3 时间序列模型介绍 | 第20-24页 |
| 2.3.1 平稳时间序列模型 | 第20-21页 |
| 2.3.2 季节性时间序列模型 | 第21-22页 |
| 2.3.3 非平稳时间序列模型 | 第22-23页 |
| 2.3.4 波动率模型 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第三章 支持向量机 | 第25-37页 |
| 3.1 引言 | 第25页 |
| 3.2 背景知识 | 第25-28页 |
| 3.2.1 机器学习 | 第25-26页 |
| 3.2.2 经验风险最小化 | 第26页 |
| 3.2.3 复杂性和推广性 | 第26页 |
| 3.2.4 VC维 | 第26-27页 |
| 3.2.5 结构风险最小化 | 第27-28页 |
| 3.3 支持向量机 | 第28-31页 |
| 3.3.1 最优分类超平面 | 第28-29页 |
| 3.3.2 SVM | 第29-30页 |
| 3.3.3 支持向量机回归 | 第30-31页 |
| 3.4 支持向量机参数优化 | 第31-34页 |
| 3.4.1 交叉验证法参数寻优 | 第31-32页 |
| 3.4.2 启发式算法参数寻优 | 第32-34页 |
| 3.5 libsvm工具箱 | 第34-35页 |
| 3.6 本章小结 | 第35-37页 |
| 第四章 信息粒化模型介绍 | 第37-43页 |
| 4.1 引言 | 第37页 |
| 4.2 信息粒化 | 第37-39页 |
| 4.3 时间序列中的模糊信息粒化 | 第39-42页 |
| 4.4 基于信息粒化的支持向量机 | 第42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 上证日收盘指数实例分析 | 第43-55页 |
| 5.1 引言 | 第43页 |
| 5.2 模型假定 | 第43-44页 |
| 5.3 数据预处理 | 第44-45页 |
| 5.4 参数选择 | 第45-48页 |
| 5.5 SVM训练及预测 | 第48-54页 |
| 5.6 本章小结 | 第54-55页 |
| 第六章 上证收盘指数变化趋势和变化空间建模 | 第55-61页 |
| 6.1 引言 | 第55页 |
| 6.2 模型假定 | 第55页 |
| 6.3 模糊信息粒化 | 第55-56页 |
| 6.4 对粒化数据进行SVM的建模预测 | 第56-58页 |
| 6.5 预测结果验证 | 第58-59页 |
| 6.6 本章小结 | 第59-61页 |
| 第七章 总结与展望 | 第61-65页 |
| 7.1 本文总结 | 第61-63页 |
| 7.2 下一步工作 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 附录A 攻读学位期间作者的工作成果 | 第71页 |
