| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第7-18页 |
| 1.1 研究背景和目的 | 第7-13页 |
| 1.1.1 IPO首日的巨大套利空间 | 第7-10页 |
| 1.1.2 新股炒作原因的理论分析 | 第10-12页 |
| 1.1.3 基于机器学习的股票价格预测方法成为当前研究热点 | 第12页 |
| 1.1.4 运用机器学习技术预测新股IPO走势所需解决的问题 | 第12-13页 |
| 1.2 股票价格预测国内外研究现状 | 第13-17页 |
| 1.2.1 证券投资分析法 | 第15页 |
| 1.2.2 时间序列模型 | 第15-16页 |
| 1.2.3 智能预测 | 第16-17页 |
| 1.3 本文内容及章节安排 | 第17-18页 |
| 第2章 相关概念和理论基础 | 第18-28页 |
| 2.1 统计学习理论 | 第18-19页 |
| 2.2 支持向量机 | 第19-25页 |
| 2.2.1 指示函数集的VC维 | 第19-20页 |
| 2.2.2 结构风险最小化原则 | 第20-21页 |
| 2.2.3 SVM的基本原理 | 第21-23页 |
| 2.2.4 SVM的应用研究情况 | 第23-25页 |
| 2.3 k-最近邻判别法的原理 | 第25-28页 |
| 2.3.1 最近邻决策规则 | 第25页 |
| 2.3.2 k-最近邻判别规则 | 第25-26页 |
| 2.3.3 k-近邻判别的应用 | 第26-28页 |
| 第3章 IPO首日投资策略模型的构建 | 第28-33页 |
| 3.1 特征向量的选取 | 第28-29页 |
| 3.2 基于SVM的方法研究 | 第29-30页 |
| 3.2.1 LIBSVM软件包简介 | 第29页 |
| 3.2.2 SVM核函数的选择 | 第29页 |
| 3.2.3 参数C对SVM性能的影响 | 第29-30页 |
| 3.3 基于KNN的方法 | 第30-33页 |
| 3.3.1 影响KNN分类算法的因素 | 第30-31页 |
| 3.3.2 影响KNN分类速度的因素 | 第31-32页 |
| 3.3.3 KNN边界问题解决方案 | 第32-33页 |
| 第4章 模型的应用实验与分析 | 第33-46页 |
| 4.1 样本的选择 | 第33页 |
| 4.2 标准化 | 第33-34页 |
| 4.3 支持向量机IPO价格预测 | 第34-36页 |
| 4.3.1 支持向量机IPO价格预测流程 | 第34-35页 |
| 4.3.2 支持向量机参数的选择 | 第35-36页 |
| 4.3.3 实验结果 | 第36页 |
| 4.4 K-近邻IPO价格预测 | 第36-38页 |
| 4.4.1 K-近邻IPO价格预测流程 | 第36-37页 |
| 4.4.2 相似度计算方法 | 第37页 |
| 4.4.3 实验结果 | 第37-38页 |
| 4.5 SVM与KNN的结果比较 | 第38-39页 |
| 4.6 实例验证 | 第39-46页 |
| 4.6.1 实盘炒股大赛 | 第39-40页 |
| 4.6.2 炒股大赛结果分析 | 第40-46页 |
| 第5章 总结与展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50-51页 |