基于小波包去噪的股价组合预测模型
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 引言 | 第7-11页 |
| 1.1 股票价格预测的背景意义 | 第7页 |
| 1.2 股票价格的可预测性 | 第7-8页 |
| 1.3 股票价格预测的研究方法 | 第8-9页 |
| 1.3.1 股票价格预测的研究方法 | 第8页 |
| 1.3.2 股票价格预测的步骤 | 第8-9页 |
| 1.4 本文研究内容 | 第9页 |
| 1.5 本文结构 | 第9-11页 |
| 第二章 小波包去噪理论 | 第11-15页 |
| 2.1 小波分析理论 | 第11-12页 |
| 2.1.1 连续小波变换 | 第11-12页 |
| 2.1.2 离散小波变换 | 第12页 |
| 2.2 小波包分析和小波包去噪 | 第12-15页 |
| 2.2.1 小波包基本理论 | 第12-13页 |
| 2.2.2 小波包去噪基本理论 | 第13页 |
| 2.2.3 股票价格时间序列小波包去噪方法分析 | 第13-15页 |
| 第三章 股价组合预测模型中的基本模型 | 第15-20页 |
| 3.1 反向传播神经网络模型(BPNN) | 第15-17页 |
| 3.1.1 人工神经网络模型 | 第15-16页 |
| 3.1.2 BP神经网络模型 | 第16-17页 |
| 3.1.2.1 BP神经网络结构 | 第16页 |
| 3.1.2.2 BP算法原理 | 第16-17页 |
| 3.2 自回归移动平均模型(ARMA) | 第17-19页 |
| 3.2.1 AR模型 | 第17-18页 |
| 3.2.2 MA模型 | 第18-19页 |
| 3.2.3 ARMA模型 | 第19页 |
| 3.3 指数平滑模型(ES) | 第19-20页 |
| 第四章 组合预测模型 | 第20-23页 |
| 4.1 组合模型的理论 | 第20-21页 |
| 4.2 粒子群优化算法确定组合模型的权重 | 第21-22页 |
| 4.2.1 粒子群优化算法的基本原理 | 第21-22页 |
| 4.2.2 粒子群优化算法确定组合模型的权重 | 第22页 |
| 4.3 模型的评估准则 | 第22-23页 |
| 第五章 实证分析 | 第23-33页 |
| 5.1 数据的选取 | 第23页 |
| 5.2 实验过程 | 第23-33页 |
| 5.2.1 小波包去噪 | 第23-25页 |
| 5.2.2 BP神经网络模型 | 第25-27页 |
| 5.2.3 ARMA模型 | 第27页 |
| 5.2.4 ES模型 | 第27-30页 |
| 5.2.5 组合预测模型 | 第30-33页 |
| 第六章 结论与展望 | 第33-34页 |
| 6.1 结论 | 第33页 |
| 6.2 展望 | 第33-34页 |
| 参考文献 | 第34-36页 |
| 在学期间研究成果 | 第36-37页 |
| 致谢 | 第37页 |
