基于区间拐点的证券交易信号预测
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及研究意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.3 本文的主要工作和结构安排 | 第16-18页 |
| 第二章 理论基础 | 第18-28页 |
| 2.1 机器学习 | 第18-19页 |
| 2.1.1 机器学习问题描述 | 第18页 |
| 2.1.2 机器学习的主要类型 | 第18-19页 |
| 2.2 统计学习理论 | 第19-21页 |
| 2.2.1 VC维及推广性的界 | 第19-20页 |
| 2.2.2 结构风险最小化 | 第20-21页 |
| 2.3 支持向量机理论 | 第21-23页 |
| 2.3.1 支持向量机模型 | 第21-23页 |
| 2.3.2 加权支持向量机 | 第23页 |
| 2.4 时间序列分析 | 第23-26页 |
| 2.4.1 时间序列分析法 | 第23-24页 |
| 2.4.2 时间序列表示法 | 第24-26页 |
| 2.5 PLR-WSVM框架介绍 | 第26-27页 |
| 2.6 本章小结 | 第27-28页 |
| 第三章 基于ITP-WSVI的拐点预测 | 第28-49页 |
| 3.1 输入变量的选择 | 第29-36页 |
| 3.2 拐点的产生 | 第36-42页 |
| 3.2.1 分段线性化阈值的选择 | 第36-37页 |
| 3.2.2 拐点区间化 | 第37-42页 |
| 3.3 测试集拐点的划分 | 第42-45页 |
| 3.4 交易策略 | 第45-47页 |
| 3.4.1 校正策略 | 第45-46页 |
| 3.4.2 买卖策略 | 第46-47页 |
| 3.5 ITP-WSVM算法 | 第47-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 实验与分析 | 第49-62页 |
| 4.1 改进的有效性检 | 第49-59页 |
| 4.2 长期投资有效性检验 | 第59-61页 |
| 4.3 本章小结 | 第61-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 全文总结 | 第62-63页 |
| 5.2 研究展望 | 第63-64页 |
| 参考文献 | 第64-69页 |
| 附录 | 第69-70页 |
| 致谢 | 第70页 |
