基于奇异谱分析的金融时间序列自适应分解预测研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 主要符号说明 | 第7-9页 |
| 第一章 绪论 | 第9-14页 |
| ·选题背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·本文工作 | 第12-14页 |
| ·本文的研究内容 | 第12-13页 |
| ·本文的组织框架 | 第13-14页 |
| 第二章 金融时间序列研究概述 | 第14-23页 |
| ·时间序列基础 | 第14-16页 |
| ·时间序列概念 | 第14-15页 |
| ·金融时间序列特征 | 第15-16页 |
| ·时间序列分析概述 | 第16-21页 |
| ·经典模型分析法 | 第16-18页 |
| ·时间序列数据挖掘 | 第18页 |
| ·金融时间序列分析手段 | 第18-21页 |
| ·奇异谱分析及应用 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第三章 平稳时间序列分析 | 第23-38页 |
| ·平稳时间序列定义 | 第23页 |
| ·平稳时序拟合模型 | 第23-24页 |
| ·ARMA模型识别 | 第24-27页 |
| ·自相关系数 | 第24页 |
| ·偏自相关系数 | 第24-25页 |
| ·ARMA模型的识别 | 第25-27页 |
| ·ARMA模型参数估计 | 第27-32页 |
| ·参数矩估计法 | 第28-29页 |
| ·参数极大似然估计 | 第29-30页 |
| ·参数最小二乘估计 | 第30-32页 |
| ·平稳序列建模 | 第32-33页 |
| ·序列平稳化 | 第33-34页 |
| ·差分运算 | 第33页 |
| ·ARIMA 模型 | 第33-34页 |
| ·自适应模型 | 第34-37页 |
| ·LMS自适应算法 | 第34-36页 |
| ·EaLMS自适应算法 | 第36-37页 |
| ·本章小结 | 第37-38页 |
| 第四章 奇异谱分析 | 第38-49页 |
| ·奇异值分解 | 第38-39页 |
| ·奇异谱分析方法 | 第39-41页 |
| ·分解 | 第40-41页 |
| ·重构 | 第41页 |
| ·金融时序结构分析 | 第41-47页 |
| ·趋势识别 | 第42-44页 |
| ·周期判断 | 第44-47页 |
| ·降噪处理 | 第47页 |
| ·本章小节 | 第47-49页 |
| 第五章 金融时间序列预测 | 第49-59页 |
| ·时序分解 | 第49-50页 |
| ·低频数据流预测 | 第50-52页 |
| ·模型阶数的确定 | 第50-51页 |
| ·LMS自适应预测 | 第51-52页 |
| ·高频数据流预测 | 第52-56页 |
| ·确定模型阶数 | 第52-53页 |
| ·确定模型参数 | 第53-55页 |
| ·LMS与EaLMS自适应预测 | 第55-56页 |
| ·整体预测 | 第56-58页 |
| ·本章小节 | 第58-59页 |
| 第六章 总结与展望 | 第59-60页 |
| ·工作总结 | 第59页 |
| ·论文展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 个人简历 在读期间发表的学术论文 | 第63-64页 |
| 致谢 | 第64页 |
