| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第12-17页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-14页 |
| 1.2.1 股票预测方法的研究现状 | 第13-14页 |
| 1.2.2 支持向量机算法的研究现状 | 第14页 |
| 1.3 本文主要研究内容 | 第14-15页 |
| 1.4 本文的组织结构 | 第15-17页 |
| 2 背景知识介绍 | 第17-33页 |
| 2.1 股票市场相关知识概述 | 第17-20页 |
| 2.1.1 影响股票涨跌的因素 | 第17-18页 |
| 2.1.2 股票涨跌预测的难点 | 第18-19页 |
| 2.1.3 股票预测常用的指标 | 第19页 |
| 2.1.4 股票市场分析方法 | 第19-20页 |
| 2.2 支持向量机算法 | 第20-31页 |
| 2.2.1 统计学习理论 | 第20-24页 |
| 2.2.2 支持向量机 | 第24-31页 |
| 2.3 本章小结 | 第31-33页 |
| 3 一种特征自适应赋权的SVM股票趋势预测模型 | 第33-56页 |
| 3.1 PSO-GA-SVM股票趋势预测模型 | 第33-35页 |
| 3.2 股票数据集及数据预处理方法介绍 | 第35-39页 |
| 3.2.1 股票指标选取 | 第35-37页 |
| 3.2.2 股票数据预处理 | 第37-39页 |
| 3.3 粒子群算法优化SVM参数 | 第39-44页 |
| 3.3.1 支持向量机中待优化的参数 | 第39-41页 |
| 3.3.2 粒子群算法 | 第41-42页 |
| 3.3.3 基于PSO优化SVM参数算法 | 第42-44页 |
| 3.4 遗传算法特征自适应赋权 | 第44-51页 |
| 3.4.1 特征权重 | 第44-47页 |
| 3.4.2 遗传算法 | 第47-49页 |
| 3.4.3 基于GA特征自适应赋权算法 | 第49-51页 |
| 3.5 模型性能评估方法 | 第51-53页 |
| 3.5.1 交叉验证 | 第51-52页 |
| 3.5.2 配对测试 | 第52-53页 |
| 3.6 PSO-GA-SVM模型预测股票涨跌趋势流程 | 第53-54页 |
| 3.7 本章小结 | 第54-56页 |
| 4 PSO-GA-SVM模型预测股票涨跌趋势实验结果及分析 | 第56-69页 |
| 4.1 实验环境 | 第56页 |
| 4.2 实验数据集 | 第56-57页 |
| 4.3 实验结果与分析 | 第57-68页 |
| 4.3.1 不同离散化区间个数的实验结果及分析 | 第57-58页 |
| 4.3.2 粒子群算法优化SVM参数实验结果及分析 | 第58-60页 |
| 4.3.3 特征加权后实验结果及分析 | 第60-65页 |
| 4.3.4 PSO-GA-SVM模型与其他机器学习模型实验结果对比 | 第65-68页 |
| 4.4 本章小结 | 第68-69页 |
| 5 总结与展望 | 第69-71页 |
| 5.1 总结 | 第69页 |
| 5.2 展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第75-76页 |
| 个人简历 | 第75页 |
| 在学期间发表的学术论文 | 第75-76页 |
| 致谢 | 第76页 |
