| 内容摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 研究内容与创新点 | 第13-15页 |
| 1.3.1 本文的研究内容 | 第13-14页 |
| 1.3.2 本文的创新点 | 第14-15页 |
| 第2章 证券投资技术分析与随机森林理论概述 | 第15-33页 |
| 2.1 证券技术分析与统计预测介绍 | 第15-21页 |
| 2.2 集成学习基本原理 | 第21-25页 |
| 2.2.1 集成学习的主要算法 | 第21-22页 |
| 2.2.2 决策树算法概述 | 第22-25页 |
| 2.3 随机森林分类理论 | 第25-33页 |
| 2.3.1 随机森林的构建过程 | 第25-27页 |
| 2.3.2 随机森林的定义和精确性 | 第27-29页 |
| 2.3.3 变量重要性度量和样本相似度矩阵 | 第29-32页 |
| 2.3.4 随机森林的特点 | 第32-33页 |
| 第3章 基于随机森林方法的指数预测实证研究 | 第33-45页 |
| 3.1 样本数据和变量的选取 | 第33-37页 |
| 3.2 随机森林的建立与优化 | 第37-42页 |
| 3.2.1 随机森林参数的选择 | 第38-39页 |
| 3.2.2 变量重要性衡量与模型的优化 | 第39-42页 |
| 3.3 结果分析 | 第42-45页 |
| 第4章 基于Logistic模型的指数预测实证研究 | 第45-54页 |
| 4.1 Logistic回归理论概述 | 第46-48页 |
| 4.2 数据的预处理 | 第48-49页 |
| 4.3 模型的估计与结果分析 | 第49-54页 |
| 第5章 结论与展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 后记 | 第60页 |