| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-21页 |
| ·研究背景 | 第7-9页 |
| ·国内外研究现状 | 第7-8页 |
| ·支持向量机在金融数据处理方面的应用 | 第8-9页 |
| ·支持向量机基本理论 | 第9-16页 |
| ·机器学习理论 | 第9页 |
| ·统计学习理论 | 第9-11页 |
| ·支持向量机 | 第11-12页 |
| ·支持向量机回归 | 第12-16页 |
| ·PCA 及 KPCA 原理 | 第16-18页 |
| ·主成分分析 | 第16-17页 |
| ·基于核的主成分分析 | 第17-18页 |
| ·本论文主要工作 | 第18-21页 |
| 第二章 基于 KPCA 与 SVM 的股票市场预测 | 第21-33页 |
| ·传统模型的时间序列模型 | 第21页 |
| ·模型的建立 | 第21-24页 |
| ·数据的选取 | 第21-22页 |
| ·对时间序列数据进行处理 | 第22-24页 |
| ·预测模型的建立 | 第24页 |
| ·实验结果及对比实验分析 | 第24-30页 |
| ·与传统时间序列模型的对比 | 第24-25页 |
| ·与简单支持向量机模型的对比 | 第25-30页 |
| ·股票趋势预测分析 | 第30-33页 |
| 第三章 基于 KPCA 与稀疏 LS-SVM 的上市公司多分类与绩效分析 | 第33-47页 |
| ·已有研究的局限和不足 | 第33页 |
| ·分类标准不完善 | 第33页 |
| ·样本数据量过小 | 第33页 |
| ·最小二乘支持向量机 | 第33-34页 |
| ·稀疏的最小二乘支持向量机 | 第34-36页 |
| ·核矩阵逆的迭代计算 | 第35页 |
| ·选择支持向量 | 第35-36页 |
| ·模型的建立 | 第36-38页 |
| ·数据的选取 | 第36-37页 |
| ·分类标准的选取 | 第37-38页 |
| ·KPCA 特征提取 | 第38页 |
| ·实验结果分析 | 第38-41页 |
| ·实验结果分析 | 第38-39页 |
| ·模型鲁棒性分析 | 第39-40页 |
| ·模型推广性分析 | 第40-41页 |
| ·对比实验及分析 | 第41-47页 |
| ·分类器对比实验 | 第41-43页 |
| ·特征提取方法对比实验 | 第43-47页 |
| 第四章 基于深度信任网络的金融数据分类 | 第47-53页 |
| ·大数据与金融大数据 | 第47页 |
| ·深度学习与深度信任网络基本理论 | 第47-50页 |
| ·模型的建立 | 第50页 |
| ·实验结果分析 | 第50-53页 |
| 第五章 结束语 | 第53-55页 |
| 致谢 | 第55-57页 |
| 参考文献 | 第57-61页 |