| 摘要 | 第2-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 选题背景及研究意义 | 第8-9页 |
| 1.2 国内外研究现状综述 | 第9-12页 |
| 1.2.1 统计学预测方法 | 第9-10页 |
| 1.2.2 智能预测方法 | 第10页 |
| 1.2.3 组合预测方法 | 第10-11页 |
| 1.2.4 现有方法预测效用评述 | 第11-12页 |
| 1.3 相关理论基础 | 第12-16页 |
| 1.3.1 统计学习理论 | 第12-13页 |
| 1.3.2 支持向量机 | 第13-14页 |
| 1.3.3 支持向量回归 | 第14-15页 |
| 1.3.4 ARIMA模型 | 第15-16页 |
| 1.3.5 多项式回归模型 | 第16页 |
| 1.4 本文结构与研究内容 | 第16-17页 |
| 1.5 主要创新点 | 第17-18页 |
| 2 一级预测模型的对比选择与参数优化 | 第18-37页 |
| 2.1 候选回归模型的确定及模型应用方法 | 第18-24页 |
| 2.1.1 分析对象与候选回归模型 | 第18-19页 |
| 2.1.2 关于方向识别的模型应用方法 | 第19-20页 |
| 2.1.3 回归模型缺憾的改进——滚动回归比较法 | 第20-24页 |
| 2.2 ARIMA预测步骤及效果 | 第24-26页 |
| 2.3 多项式回归拟合步骤及效果 | 第26-27页 |
| 2.4 支持向量回归预测步骤及效果 | 第27-29页 |
| 2.5 模型效果对比及优选 | 第29-31页 |
| 2.5.1 评价指标定义 | 第29-30页 |
| 2.5.2 各模型评价指标计算及分析 | 第30-31页 |
| 2.6 多项式模型参数优选 | 第31-36页 |
| 2.6.1 基于拐点比率的参数优选 | 第32-33页 |
| 2.6.2 基于收益率/夏普比率的参数优选 | 第33-34页 |
| 2.6.3 综合多因素的参数优选 | 第34页 |
| 2.6.4 阶次、长度参数对不同时段的适应性对比 | 第34-36页 |
| 2.7 本章小结 | 第36-37页 |
| 3 用于二级增强预测的极值引导学习策略和特征向量设计 | 第37-44页 |
| 3.1 极值切分 | 第37-38页 |
| 3.1.1 切分算法 | 第37页 |
| 3.1.2 切分结果 | 第37-38页 |
| 3.2 极值引导学习策略 | 第38-40页 |
| 3.2.1 基本思想 | 第38-39页 |
| 3.2.2 训练集选择策略 | 第39-40页 |
| 3.2.3 预测集选择策略 | 第40页 |
| 3.3 观察点基本属性集设计 | 第40-43页 |
| 3.3.1 时间序列的网格表示法 | 第40-42页 |
| 3.3.2 基本属性集设计 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 4 增强预测模型与特征向量的构建与演化 | 第44-51页 |
| 4.1 预测方案 | 第44-45页 |
| 4.1.1 预测方案 | 第44页 |
| 4.1.2 预测流程 | 第44-45页 |
| 4.2 观察点特征向量计算及属性扩展 | 第45-48页 |
| 4.2.1 基本属性集计算 | 第45-46页 |
| 4.2.2 属性集扩展与计算 | 第46-47页 |
| 4.2.3 预测集扩展 | 第47-48页 |
| 4.3 模型构建与预测结果 | 第48-50页 |
| 4.4 本章小结 | 第50-51页 |
| 5 总结与展望 | 第51-52页 |
| 参考文献 | 第52-55页 |
| 后记 | 第55-56页 |