| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第1章 绪论 | 第10-17页 |
| ·研究背景意义 | 第10-11页 |
| ·国内外研究的现状 | 第11-15页 |
| ·国内外对股指预测的研究 | 第11-14页 |
| ·国内外对于时间序列预测方法的研究 | 第14-15页 |
| ·研究内容 | 第15-17页 |
| 第2章 股指预测的特点及理论基础 | 第17-31页 |
| ·股指波动的特征及影响因素 | 第17-18页 |
| ·小波技术分析的相关理论基础 | 第18页 |
| ·小波分析理论 | 第18-23页 |
| ·连续小波变换 | 第18-19页 |
| ·离散小波变换 | 第19页 |
| ·多分辨分析 | 第19-20页 |
| ·Mallat 算法 | 第20-22页 |
| ·小波分析技术去噪过程 | 第22-23页 |
| ·支持向量机及支持向量回归机理论与基础 | 第23-27页 |
| ·支持向量机理论与基础 | 第23-24页 |
| ·支持向量机及其核函数 | 第24-26页 |
| ·支持向量回归原理 | 第26-27页 |
| ·智能化算法 | 第27-29页 |
| ·粒子群算法 | 第27页 |
| ·遗传算法 | 第27-29页 |
| ·遗传算法的实现分析 | 第29-30页 |
| ·遗传编码方式 | 第29页 |
| ·适应度函数 | 第29页 |
| ·遗传算子 | 第29-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 基于 AGA-SVR 优化及模型建立 | 第31-39页 |
| ·AGA-SVR 关于参数选择算法研究 | 第31-33页 |
| ·随核函数的选择而引入的参数 | 第31页 |
| ·参数ε的选择问题 | 第31-32页 |
| ·对于惩罚因子 C 的选择 | 第32-33页 |
| ·SVR 参数选择方法 | 第33页 |
| ·自适应遗传算法分析 | 第33页 |
| ·自适应遗传算法 | 第33页 |
| ·自适应种群 | 第33页 |
| ·自适应选择 | 第33页 |
| ·自适应交叉 | 第33页 |
| ·自适应变异 | 第33页 |
| ·建立基于自适应遗传算法的支持向量机（AGA-SVR）模型 | 第33-36页 |
| ·对于编码的选择 | 第34-35页 |
| ·确定参数的搜索范围 | 第35-36页 |
| ·适应度函数的设定 | 第36页 |
| ·自适应遗传算法的交叉概率和变异概率 | 第36页 |
| ·评价方法 | 第36-38页 |
| ·交叉验证 | 第37页 |
| ·均方根误差 | 第37-38页 |
| ·决定系数 | 第38页 |
| ·本章小结 | 第38-39页 |
| 第4章 实证分析 | 第39-46页 |
| ·数据挖掘过程 | 第39-40页 |
| ·数据的准备 | 第39页 |
| ·小波分析相关应用 | 第39-40页 |
| ·基于自适应遗传支持向量机股指预测模型 | 第40-41页 |
| ·基于小波数据挖掘的自适应遗传支持向量机模型 | 第41-42页 |
| ·小波-AGA-SVR 模型分析及其与其他预测模型的比较 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 总结 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 附录 | 第50-55页 |
| 致谢 | 第55-56页 |
| 附件 | 第56页 |