基于机器学习方法的股票数据研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 1 绪言 | 第10-15页 |
| ·课题意义 | 第10-11页 |
| ·国内外研究现状 | 第11-14页 |
| ·股票技术分析方法 | 第11-12页 |
| ·时间序列预测方法 | 第12-13页 |
| ·人工神经网络的预测方法 | 第13-14页 |
| ·论文结构 | 第14-15页 |
| 2 统计学习理论和支持向量机 | 第15-30页 |
| ·机器学习 | 第15-16页 |
| ·学习问题的表示 | 第15-16页 |
| ·经验风险最小化原则 | 第16页 |
| ·统计学习理论 | 第16-19页 |
| ·理论背景 | 第16-17页 |
| ·函数集VC 维和推广性的界 | 第17-18页 |
| ·结构风险最小化原则 | 第18-19页 |
| ·支持向量机 | 第19-27页 |
| ·支持向量机原理 | 第19页 |
| ·支持向量机分类 | 第19-22页 |
| ·支持向量机回归 | 第22-25页 |
| ·支持向量机的特性 | 第25-26页 |
| ·支持向量机训练算法 | 第26-27页 |
| ·核函数 | 第27-29页 |
| ·核函数原理 | 第27页 |
| ·常用的核函数 | 第27-29页 |
| ·小结 | 第29-30页 |
| 3 混沌时间序列 | 第30-35页 |
| ·混沌理论 | 第30-31页 |
| ·相空间重构理论 | 第31页 |
| ·相空间参数选取 | 第31-34页 |
| ·自相关法 | 第31-32页 |
| ·C-C 方法 | 第32-34页 |
| ·小结 | 第34-35页 |
| 4 基于支持向量机的混沌时间序列预测模型 | 第35-51页 |
| ·数据预处理和模型评价标准 | 第35页 |
| ·数据预处理 | 第35页 |
| ·预测模型的评价标准 | 第35页 |
| ·股市指标 | 第35-36页 |
| ·核函数和参数选取 | 第36-40页 |
| ·核函数的选取 | 第36页 |
| ·参数选取的意义 | 第36-38页 |
| ·最优参数的选取方法 | 第38-40页 |
| ·基于支持向量机的时间序列模型的建立 | 第40-41页 |
| ·仿真结果及分析 | 第41-49页 |
| ·实验平台和数据的获取 | 第41-42页 |
| ·实验步骤 | 第42-43页 |
| ·仿真实验 | 第43-49页 |
| ·小结 | 第49-51页 |
| 5 小波在支持向量机中的应用 | 第51-61页 |
| ·小波理论 | 第51页 |
| ·小波变换 | 第51-55页 |
| ·连续小波变换 | 第51-52页 |
| ·离散小波变换 | 第52-53页 |
| ·小波分解与重构 | 第53-54页 |
| ·二维信号的小波分解与重构 | 第54-55页 |
| ·基于小波的支持向量机股票预测 | 第55-60页 |
| ·基于小波的支持向量机模型 | 第55-56页 |
| ·仿真分析 | 第56-60页 |
| ·小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| ·研究工作总结 | 第61页 |
| ·后续工作 | 第61-62页 |
| ·展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第64-65页 |
| 参考文献 | 第65-67页 |
