基于PSO-LSSVR优化算法中文的互联网金融收益率预测研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4页 |
| 第一章 绪论 | 第7-14页 |
| 1.1 课题的背景及意义 | 第7-9页 |
| 1.1.1 课题研究的背景 | 第7-8页 |
| 1.1.2 课题研究的意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 国外部分 | 第9-10页 |
| 1.2.2 国内部分 | 第10-12页 |
| 1.3 本文的主要内容及结构 | 第12-14页 |
| 1.3.1 本文主要研究内容 | 第12页 |
| 1.3.2 本文篇章结构 | 第12-14页 |
| 第二章 互联网金融相关理论 | 第14-17页 |
| 2.1 互联网金融及其发展 | 第14-15页 |
| 2.1.1 互联网金融定义 | 第14页 |
| 2.1.2 互联网金融发展 | 第14-15页 |
| 2.2 余额宝 | 第15-17页 |
| 第三章 统计学习理论与支持向量机 | 第17-22页 |
| 3.1 统计学习理论 | 第17-19页 |
| 3.1.1 机器学习 | 第17页 |
| 3.1.2 VC维 | 第17-18页 |
| 3.1.3 结构风险最小化 | 第18-19页 |
| 3.2 支持向量机理论 | 第19-22页 |
| 3.2.1 支持向量机原理 | 第19-20页 |
| 3.2.2 核函数 | 第20-22页 |
| 第四章 模型仿真与实证分析 | 第22-45页 |
| 4.1 数据选取 | 第22-24页 |
| 4.2 实证分析 | 第24-35页 |
| 4.2.1 BP神经网络 | 第24-27页 |
| 4.2.2 小波神经网络 | 第27-31页 |
| 4.2.3 支持向量回归机 | 第31-33页 |
| 4.2.4 模型汇总 | 第33-35页 |
| 4.3 粒子群算法优化最小二乘支持向量机 | 第35-41页 |
| 4.3.1 最小二乘支持向量机 | 第35-36页 |
| 4.3.2 粒子群算法 | 第36-38页 |
| 4.3.3 PSO算法优化前后对比 | 第38-41页 |
| 4.4 模型验证 | 第41-45页 |
| 第五章 结论与展望 | 第45-47页 |
| 5.1 本文结论 | 第45页 |
| 5.2 未来展望 | 第45-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50页 |
