| 中文摘要 | 第6-7页 |
| 英文摘要 | 第7页 |
| 1 引论 | 第8-11页 |
| 1.1 背景介绍 | 第8-9页 |
| 1.2 本文主要内容和创新点 | 第9-11页 |
| 2 传统时间序列模型 | 第11-13页 |
| 2.1 线性时间序列模型 | 第11-12页 |
| 2.1.1 AR模型 | 第11页 |
| 2.1.2 MA模型 | 第11页 |
| 2.1.3 ARMA模型 | 第11页 |
| 2.1.4 ARIMA模型 | 第11-12页 |
| 2.2 非线性时间序列模型 | 第12-13页 |
| 2.2.1 ARCH模型 | 第12页 |
| 2.2.2 GARCH模型 | 第12-13页 |
| 3 长记忆时间序列的概念、检验及模型 | 第13-18页 |
| 3.1 长记忆性的概念 | 第13-14页 |
| 3.2 长记忆性的检验 | 第14-16页 |
| 3.2.1 KPSS检验 | 第14页 |
| 3.2.2 修正R/S方法 | 第14-16页 |
| 3.3 传统长记忆时间序列模型 | 第16-18页 |
| 3.3.1 FIARMA模型 | 第16-17页 |
| 3.3.2 FIGARCH模型 | 第17-18页 |
| 4 数据挖掘与支持向量机 | 第18-26页 |
| 4.1 主要数据挖掘算法概论 | 第18页 |
| 4.2 支持向量机 | 第18-26页 |
| 4.2.1 支持向量机的统计学习理论 | 第18-20页 |
| 4.2.2 支持向量机的优化问题 | 第20-21页 |
| 4.2.3 支持向量机的核函数 | 第21-22页 |
| 4.2.4 支持向量回归机的算法 | 第22-24页 |
| 4.2.5 支持向量回归机的参数选择 | 第24-26页 |
| 5 实证分析 | 第26-35页 |
| 5.1 对美元兑人民币汇率的拟合 | 第26-32页 |
| 5.1.1 平稳性检验 | 第26-27页 |
| 5.1.2 长记忆性的识别 | 第27-28页 |
| 5.1.3 用FIARMA-ARCH模型拟合平稳长记忆时间序列 | 第28-30页 |
| 5.1.4 用SVM算法拟合平稳长记忆时间序列 | 第30-31页 |
| 5.1.5 用SVM算法拟合非平稳长记忆时间序列 | 第31页 |
| 5.1.6 结果的对比分析 | 第31-32页 |
| 5.2 对美元兑人民币汇率的预测 | 第32-35页 |
| 5.2.1 用FIARMA-ARCH模型预测平稳长记忆时间序列 | 第32页 |
| 5.2.2 用SVM算法预测平稳长记忆时间序列 | 第32-33页 |
| 5.2.3 用SVM算法预测非平稳长记忆时间序列 | 第33-34页 |
| 5.2.4 结果的对比分析 | 第34-35页 |
| 6 总结与展望 | 第35-36页 |
| 6.1 内容总结 | 第35页 |
| 6.2 未来展望 | 第35-36页 |
| 参考文献 | 第36-39页 |
| 致谢 | 第39-40页 |