| 内容摘要 | 第2-3页 |
| Abstract | 第3-4页 |
| 1 绪论 | 第7-12页 |
| 1.1 研究背景和研究意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.3 本文的分析框架 | 第11页 |
| 1.4 本文的创新点和不足 | 第11-12页 |
| 2 相关理论综述 | 第12-26页 |
| 2.1 现代股票定价理论的发展 | 第12-15页 |
| 2.1.1 内在价值理论 | 第12-13页 |
| 2.1.2 资产组合理论 | 第13页 |
| 2.1.3 资本资产定价模型 | 第13-14页 |
| 2.1.4 动态资本资产定价模型 | 第14-15页 |
| 2.2 常用预测模型简介 | 第15-19页 |
| 2.2.1 回归预测模型 | 第15-17页 |
| 2.2.2 灰色预测模型 | 第17-18页 |
| 2.2.3 神经网络预测模型 | 第18-19页 |
| 2.2.4 支持向量回归预测 | 第19页 |
| 2.3 宏观经济变量对证券市场的影响 | 第19-26页 |
| 2.3.1 经济增长对证券市场的影响 | 第20-21页 |
| 2.3.2 通货膨胀对证券市场的影响 | 第21-22页 |
| 2.3.3 汇率变化对证券市场的影响 | 第22-23页 |
| 2.3.4 利率变化对证券市场的影响 | 第23-24页 |
| 2.3.5 商品期货对证券市场的影响 | 第24-26页 |
| 3 预测理论模型 | 第26-37页 |
| 3.1 集合经验模态分解理论(EEMD) | 第26-29页 |
| 3.1.1 EMD基本概念 | 第26-27页 |
| 3.1.2 EMD基本原理 | 第27-28页 |
| 3.1.3 经验模态分解的改进——EEMD算法 | 第28-29页 |
| 3.2 多元自适应回归样条法 | 第29-32页 |
| 3.2.1 MRAS的提出 | 第30页 |
| 3.2.2 MARS的原理和算法 | 第30-32页 |
| 3.3 支持向量回归(Support Vector Regression) | 第32-37页 |
| 3.3.1 支持向量机原理 | 第33-35页 |
| 3.3.2 支持向量回归原理 | 第35-37页 |
| 4 基于EEMD-MARS-SVR模型的证券市场分析 | 第37-65页 |
| 4.1 公共经济变量的选取 | 第37-42页 |
| 4.2 针对股指的分析 | 第42-58页 |
| 4.2.1 股指的EEMD分解 | 第44-46页 |
| 4.2.2 MARS筛选 | 第46-51页 |
| 4.2.3 SVR预测 | 第51-55页 |
| 4.2.4 预测的准确性讨论 | 第55-58页 |
| 4.3 针对沪深300指数成分股票的分析 | 第58-65页 |
| 4.3.1 300支个股的EEMD分解 | 第58-60页 |
| 4.3.2 MARS筛选 | 第60-63页 |
| 4.3.3 SVR预测 | 第63页 |
| 4.3.4 个股预测的准确性讨论 | 第63-65页 |
| 5 总结 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 附录: | 第71-89页 |
| 附录一:HS300成分股分解后序列描述性统计表 | 第71-85页 |
| 附录二:公共变量在个股筛选过程中的次数和权重统计表 | 第85-89页 |
| 致谢 | 第89-90页 |
