| 摘要 | 第4-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 股票预测的背景、意义 | 第9-10页 |
| 1.2 股票预测的研究现状 | 第10-11页 |
| 1.3 支持向量机的研究背景、意义与研究现状 | 第11-13页 |
| 1.3.1 支持向量机的研究背景及意义 | 第11页 |
| 1.3.2 支持向量机的研究现状 | 第11-12页 |
| 1.3.3 最小二乘支持向量机的研究现状 | 第12-13页 |
| 1.4 本文主要研究内容 | 第13-14页 |
| 第2章 与课题相关基本概念与基础知识 | 第14-23页 |
| 2.1 时间序列分析的基本模型 | 第14-15页 |
| 2.2 统计学习理论 | 第15-17页 |
| 2.3 支持向量机理论 | 第17-20页 |
| 2.3.1 支持向量机模型 | 第17-18页 |
| 2.3.2 最小二乘支持向量机模型 | 第18-20页 |
| 2.4 交叉验证法 | 第20-23页 |
| 2.4.1 交叉验证法的概述 | 第20-21页 |
| 2.4.2 一般的交叉验证法 | 第21-23页 |
| 第3章基于粒子群优化改进最小二乘支持向量机的股票价格预测 | 第23-32页 |
| 3.1 引言 | 第23-24页 |
| 3.2 PSO优化算法与LSSVM优化模型 | 第24-25页 |
| 3.2.1 改进的LSSVM模型 | 第24-25页 |
| 3.2.2 PSO优化算法 | 第25页 |
| 3.3 实证研究 | 第25-31页 |
| 3.3.1 原始样本数据的K-mean聚类 | 第25-26页 |
| 3.3.2 PSO-LSSVM模型股票走势预测 | 第26-29页 |
| 3.3.3 LSSVM模型的股票走势预测 | 第29页 |
| 3.3.4 LSSVM与PSO-LSSVM的仿真结果对比分析 | 第29-31页 |
| 3.4 本章总结 | 第31-32页 |
| 第4章 基于支持向量机的混合时间序列股票价格预测模型 | 第32-38页 |
| 4.1 引言 | 第32页 |
| 4.2 基于支持向量机的混合时间序列模型 | 第32-33页 |
| 4.2.1 支持向量机模型 | 第32-33页 |
| 4.2.2 时间序列模型 | 第33页 |
| 4.3 原始股票数据的预处理 | 第33-34页 |
| 4.4 实证分析 | 第34-36页 |
| 4.5 本章总结 | 第36-38页 |
| 第5章 结论与展望 | 第38-39页 |
| 参考文献 | 第39-42页 |
| 在学研究成果 | 第42-43页 |
| 致谢 | 第43页 |
