中文摘要 | 第11-13页 |
Abstract | 第13-14页 |
第一章 绪论 | 第15-35页 |
1.1 研究背景与意义 | 第15-17页 |
1.2 文献回顾与评述 | 第17-27页 |
1.2.1 传统的统计学方法研究现状 | 第17-20页 |
1.2.2 计算智能方法研究现状 | 第20-24页 |
1.2.3 组合预测方法研究现状 | 第24-26页 |
1.2.4 现有研究方法评述 | 第26-27页 |
1.3 主要研究成果及创新 | 第27-32页 |
1.3.1 融合历史数据变化趋势信息的金融时序预测研究 | 第28页 |
1.3.2 融合金融市场联动效应的金融时序数据预测研究 | 第28-29页 |
1.3.3 融合金融时序数据内部时间相关性的研究 | 第29-30页 |
1.3.4 金融时序数据混合预测模型研究 | 第30页 |
1.3.5 论文研究结构 | 第30-32页 |
1.4 研究方法及技术路线 | 第32-35页 |
1.4.1 研究方法概述 | 第32-33页 |
1.4.2 研究技术路线 | 第33-35页 |
第二章 相关理论基础 | 第35-47页 |
2.1 ARIMA模型 | 第35-36页 |
2.2 GARCH模型族 | 第36-41页 |
2.2.1 ARCH模型 | 第37-38页 |
2.2.2 GARCH模型 | 第38-41页 |
2.3 支持向量机 | 第41-47页 |
2.3.1 统计学习理论 | 第41-43页 |
2.3.2 支持向量机 | 第43-47页 |
第三章 基于微分信息的ARMAD-GARCH股票价格预测模型 | 第47-62页 |
3.1 ARMAD-GARCH模型 | 第49-52页 |
3.2 实证研究 | 第52-60页 |
3.2.1 数据来源及预处理 | 第52-53页 |
3.2.2 模型参数选择 | 第53-56页 |
3.2.3 实证结果分析 | 第56-60页 |
3.3 本章小结 | 第60-62页 |
第四章 基于梯度因子的ARMA-GARCH股票价格预测模型 | 第62-74页 |
4.1 G-ARMA-GARCH模型 | 第64-67页 |
4.2 实证研究 | 第67-73页 |
4.2.1 数据来源及预处理 | 第67页 |
4.2.2 模型参数选择 | 第67-70页 |
4.2.3 实证结果分析 | 第70-73页 |
4.3 本章小结 | 第73-74页 |
第五章 基于近邻互信息的SVM-GARCH股票价格预测模型 | 第74-90页 |
5.1 SVM-GARCH模型构造 | 第76-79页 |
5.2 实证研究 | 第79-88页 |
5.2.1 数据来源及预处理 | 第80页 |
5.2.2 模型参数选择 | 第80-85页 |
5.2.3 实证结果分析 | 第85-88页 |
5.3 本章小结 | 第88-90页 |
第六章 基于时间相关性的股票价格混合预测模型 | 第90-100页 |
6.1 时间相关性经验知识 | 第90-92页 |
6.2 基础模型介绍 | 第92-93页 |
6.3 混合预测模型构造 | 第93-94页 |
6.4 实证研究 | 第94-97页 |
6.4.1 数据选取及预处理 | 第94-95页 |
6.4.2 实证结果分析 | 第95-97页 |
6.5 本章小结 | 第97-100页 |
第七章 基于ARIMA和泰勒展开的金融时序混合预测模型 | 第100-123页 |
7.1 模型构建背景知识 | 第102-104页 |
7.1.1 跟踪微分器基础知识 | 第102-103页 |
7.1.2 跟踪微分器应用举例 | 第103-104页 |
7.2 基于跟踪微分器的泰勒展开预测模型 | 第104-111页 |
7.3 混合预测模型ARIMATEF构建 | 第111-121页 |
7.3.1 模型算法描述 | 第111-112页 |
7.3.2 数据选取及描述 | 第112-114页 |
7.3.3 预测结果评价标准 | 第114页 |
7.3.4 模型参数确定 | 第114-116页 |
7.3.5 实证结果分析 | 第116-121页 |
7.4 本章小结 | 第121-123页 |
第八章 结论与展望 | 第123-127页 |
8.1 结论 | 第123-125页 |
8.2 不足与展望 | 第125-127页 |
参考文献 | 第127-143页 |
攻读学位期间取得的研究成果 | 第143-145页 |
致谢 | 第145-147页 |
个人简况及联系方式 | 第147-151页 |