摘要 | 第6-7页 |
Abstract | 第7页 |
第1章 绪论 | 第10-14页 |
1.1 问题的提出 | 第10-12页 |
1.2 研究的意义及目的 | 第12-13页 |
1.3 本文研究的方法及框架 | 第13-14页 |
第2章 金融时间序列与人工智能的历史与发展 | 第14-28页 |
2.1 金融时间序列分析 | 第14-19页 |
2.1.1 自回归滑动平均模型(ARMA模型) | 第14-16页 |
2.1.2 向量自回归模型(VAR模型) | 第16页 |
2.1.3 自回归条件异方差模型(ARCH模型) | 第16-17页 |
2.1.4 广义自回归条件异方差模型(GARCH模型) | 第17-18页 |
2.1.5 GARCH模型族 | 第18-19页 |
2.2 人工智能算法 | 第19-26页 |
2.2.1 人工神经网络算法(ANN) | 第19-25页 |
2.2.2 遗传算法(GA) | 第25-26页 |
2.2.3 支撑向量机(SVM) | 第26页 |
2.3 金融时间序列与人工智能的理论对比分析 | 第26-28页 |
第3章 GARCH与BP-ANN对股价预测的应用 | 第28-50页 |
3.1 对股票指数的预测 | 第28-40页 |
3.1.1 样本数据的选取 | 第28-29页 |
3.1.2 GARCH模型预测股指 | 第29-33页 |
3.1.3 BP-ANN预测股指 | 第33-40页 |
3.2 对个股价格的预测 | 第40-50页 |
3.2.1 样本数据的选取 | 第40页 |
3.2.2 GARCH模型预测个股价格 | 第40-44页 |
3.2.3 BP-ANN预测个股价格 | 第44-50页 |
第4章 GARCH与BP-ANN预测能力的比较分析 | 第50-54页 |
4.1 GARCH与BP-ANN预测能力的比较 | 第50-51页 |
4.2 随机游走和VARIANCE RATIO TEST | 第51-54页 |
4.2.1 对股票指数的VRT结果 | 第52页 |
4.2.2 对股票价格的VRT结果 | 第52-54页 |
结论 | 第54-58页 |
致谢 | 第58-59页 |
参考文献 | 第59-61页 |