基于机器学习方法的上证综指预测和分析
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 绪论 | 第11-16页 |
| 一、研究背景和意义 | 第11-12页 |
| 二、国内外研究现状 | 第12-14页 |
| 三、主要研究内容及创新之处 | 第14-16页 |
| 第一章 统计学习模型理论 | 第16-25页 |
| 第一节 支持向量机模型理论 | 第16-21页 |
| 一、统计学习理论的基本原理 | 第16-17页 |
| 二、核函数 | 第17-18页 |
| 三、支持向量机的基本概念 | 第18-20页 |
| 四、最小二乘支持向量机的基本概念 | 第20-21页 |
| 第二节 神经网络模型理论 | 第21-25页 |
| 一、BP神经网络模型理论 | 第21-23页 |
| 二、ELMAN神经网络模型理论 | 第23-25页 |
| 第二章 基于LS-SVM的股指预测实证分析 | 第25-34页 |
| 第一节 研究思路概述 | 第26-27页 |
| 一、研究思路 | 第26页 |
| 二、模型评价方法 | 第26-27页 |
| 第二节 基于LS-SVM的上证综指预测实证分析 | 第27-34页 |
| 一、工具平台介绍 | 第27页 |
| 二、样本数据来源以及选取 | 第27-28页 |
| 三、数据归一化 | 第28-29页 |
| 四、核函数选择 | 第29-31页 |
| 五、模型参数优化 | 第31-32页 |
| 六、模型训练和回归预测 | 第32-34页 |
| 第三章 不同预测模型适应性对比 | 第34-46页 |
| 第一节 BP神经网络 | 第34-39页 |
| 一、BP神经网络建模的算法流程 | 第34页 |
| 二、BP神经网络的结构设定以及参数选择 | 第34-36页 |
| 三、BP神经网络预测输出与分析 | 第36-39页 |
| 第二节 ELMAN神经网络 | 第39-42页 |
| 一、Elman神经网络建模的算法流程 | 第39页 |
| 二、Elman神经网络建模结构设定以及参数选择 | 第39-40页 |
| 三、Elman神经网络模型预测输出与分析 | 第40-42页 |
| 第三节 GARCH(1,1)模型 | 第42-46页 |
| 一、数据的处理 | 第43-44页 |
| 二、GARCH(1,1)模型的预测 | 第44-46页 |
| 第四章 基于HMM股市状态切分下的模型回测 | 第46-67页 |
| 第一节 基于HMM的股票指数模型 | 第46-49页 |
| 一、隐式马尔科夫模型算法 | 第46-47页 |
| 二、上证综指走势状态确定 | 第47-49页 |
| 第二节 基于HMM股市状态切分下的模型回测 | 第49-64页 |
| 一、上证综指牛市状态模型回测 | 第49-54页 |
| 二、上证综指熊市状态模型回测 | 第54-59页 |
| 三、上证综指震荡市状态模型回测 | 第59-64页 |
| 第三节 实证结果及分析 | 第64-67页 |
| 一、实证结果及分析 | 第64-66页 |
| 二、回测结果及分析 | 第66-67页 |
| 结论和展望 | 第67-69页 |
| 一、本文主要结论 | 第67-68页 |
| 二、研究展望 | 第68-69页 |
| 参考文献 | 第69-72页 |
| 致谢 | 第72页 |
