| 摘要 | 第1-6页 |
| ABSTRACT | 第6-9页 |
| 第一章 绪论 | 第9-16页 |
| ·研究背景与意义 | 第9页 |
| ·股市常用的预测方法 | 第9-12页 |
| ·两类机器学习方法 | 第12-15页 |
| ·支持向量机理论综述 | 第12-13页 |
| ·AdaBoost 算法综述 | 第13-14页 |
| ·两种方法的结合研究近况 | 第14-15页 |
| ·本文主要研究思路和章节安排 | 第15-16页 |
| 第二章 统计学习理论 | 第16-22页 |
| ·统计学习理论概述 | 第16页 |
| ·统计学习理论研究内容 | 第16-22页 |
| ·学习一致性及条件 | 第16-18页 |
| ·推广性的界 | 第18-20页 |
| ·结构风险最小化 | 第20-22页 |
| 第三章 支持向量机理论 | 第22-35页 |
| ·最优分类超平面 | 第22页 |
| ·支持向量分类机 | 第22-26页 |
| ·构造线性可分超平面 | 第22-25页 |
| ·非线性可分支持向量机 | 第25页 |
| ·核函数 | 第25-26页 |
| ·最小二乘支持向量分类机 | 第26-27页 |
| ·核函数的选择以及参数选择 | 第27-30页 |
| ·RBF-LSSVM 对股票涨跌分类的结果与分析 | 第30-35页 |
| 第四章 ADABOOST 理论及其分析 | 第35-40页 |
| ·ADABOOST 算法数学概述 | 第35页 |
| ·ADABOOST 算法 | 第35-40页 |
| ·AdaBoost 算法基本流程 | 第35-37页 |
| ·AdaBoost 算法的误差上界 | 第37-39页 |
| ·AdaBoost 算法的优缺点 | 第39-40页 |
| 第五章 SVM_ADABOOST 理论 | 第40-46页 |
| ·SVM_ADABOOST 模型 | 第40页 |
| ·SVM_ADABOOST 算法步骤 | 第40-41页 |
| ·弱分类器的评价与模糊聚类 | 第41-46页 |
| ·弱分类器的评价 | 第41-44页 |
| ·模糊k-均值聚类 | 第44-46页 |
| 第六章 基于 SVM_ADABOOST 模型的股票实证 | 第46-55页 |
| ·模型评价指标 | 第46-47页 |
| ·构造多样性的弱分类器 | 第47-48页 |
| ·股市涨跌分类预测实证 | 第48-55页 |
| ·计算弱分类器的阀值 | 第48-50页 |
| ·组合 SVM_AdaBoost 与 LSSVM 性能比较 | 第50-55页 |
| 第七章 结论以及展望 | 第55-58页 |
| ·结论 | 第55-56页 |
| ·展望 | 第56-58页 |
| 附录 | 第58-60页 |
| 参考文献 | 第60-65页 |
| 攻读硕士学位期间取得的研究成果 | 第65-66页 |
| 致谢 | 第66-67页 |
| 附件 | 第67页 |