| 摘要 | 第1-7页 |
| ABSTRACT | 第7-12页 |
| 第1章 绪论 | 第12-20页 |
| ·研究背景及意义 | 第12-13页 |
| ·国内外发展现状 | 第13-17页 |
| ·时间序列表示 | 第13-15页 |
| ·支持向量机时间序列预测 | 第15-17页 |
| ·问题的提出 | 第17-18页 |
| ·本文的主要工作 | 第18-19页 |
| ·论文的组织结构 | 第19-20页 |
| 第2章 股票时间序列分析的相关理论 | 第20-35页 |
| ·时间序列相关概念 | 第20-24页 |
| ·时间序列的定义 | 第20-21页 |
| ·时间序列的平稳性 | 第21-23页 |
| ·相似性度量方法和分段误差 | 第23-24页 |
| ·时间序列分析方法概述 | 第24-26页 |
| ·描述性时间序列分析 | 第24-25页 |
| ·统计时间序列分析 | 第25-26页 |
| ·相似性分析 | 第26页 |
| ·时间序列模型预测 | 第26-29页 |
| ·时间序列预测模型 | 第26页 |
| ·几种自回归模型介绍 | 第26-28页 |
| ·ARIMA 预测模型的建立 | 第28-29页 |
| ·统计学习理论和支持向量机预测 | 第29-34页 |
| ·统计学习理论基础 | 第29-31页 |
| ·最优分类超平面 | 第31-32页 |
| ·支持向量机的基本思想 | 第32页 |
| ·支持向量回归机 | 第32-33页 |
| ·常用核函数和模型参数选择 | 第33-34页 |
| ·本章小结 | 第34-35页 |
| 第3章 基于股票时序的分段线性拟合研究与应用 | 第35-43页 |
| ·股票时间序列的相关定义 | 第35-36页 |
| ·股票时序基本定义 | 第35-36页 |
| ·分段线性表示和误差分析 | 第36页 |
| ·股票关键趋势点的研究与分析 | 第36-39页 |
| ·趋势变化点 | 第37页 |
| ·关键点 | 第37-38页 |
| ·关键趋势点 | 第38-39页 |
| ·基于关键趋势点的股票时序分段线性拟合算法 | 第39-42页 |
| ·算法思想 | 第39页 |
| ·算法流程和步骤 | 第39-40页 |
| ·与其他几种拟合算法的比较以及实现 | 第40-42页 |
| ·实验结果与分析 | 第42页 |
| ·本章小结 | 第42-43页 |
| 第4章 改进特征选取的 SVM 在股票时序中的应用 | 第43-58页 |
| ·基于股票关键趋势点的 SVM 算法 | 第43-45页 |
| ·问题的提出 | 第43-44页 |
| ·基于关键趋势点的 SVM 算法的主要思想 | 第44页 |
| ·算法的设计过程及流程图 | 第44-45页 |
| ·Key-SVM 算法的实例分析 | 第45-48页 |
| ·实验数据以及 SVM 参数选取 | 第45-46页 |
| ·实验结果与分析 | 第46-48页 |
| ·基于决策树加权特征选取的 SVM 股票时序预测算法 | 第48-52页 |
| ·问题的提出 | 第48-49页 |
| ·决策树算法介绍 | 第49页 |
| ·ID3 算法 | 第49-51页 |
| ·算法的构造过程 | 第51-52页 |
| ·基于决策树加权特征选取的 SVM 算法实例 | 第52-57页 |
| ·基于信息增量的股票时序加权特征选取 | 第52-54页 |
| ·实验结果与分析 | 第54-57页 |
| ·本章小结 | 第57-58页 |
| 第5章 股票信息处理分析系统的设计与实现 | 第58-69页 |
| ·系统需求分析 | 第58-59页 |
| ·系统概要设计 | 第59-60页 |
| ·系统总体结构 | 第59页 |
| ·系统总体功能设计 | 第59-60页 |
| ·系统功能实现 | 第60-68页 |
| ·股票数据定义 | 第60-61页 |
| ·用户管理 | 第61-62页 |
| ·技术分析 | 第62-63页 |
| ·选股功能 | 第63-64页 |
| ·基于股票关键趋势点分段表示 | 第64-65页 |
| ·基于关键趋势点的 SVM 预测 | 第65-67页 |
| ·基于决策树加权特征选择的 SVM 预测 | 第67-68页 |
| ·本章小结 | 第68-69页 |
| 第6章 总结与展望 | 第69-71页 |
| ·工作总结 | 第69-70页 |
| ·展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-76页 |
| 攻读硕士期间发表的论文 | 第76页 |