基于神经网络的金融证券预测方法研究
| 第一章 引言 | 第1-16页 |
| ·问题的提出 | 第6页 |
| ·研究意义 | 第6-7页 |
| ·国内外研究综述 | 第7-14页 |
| ·关于金融证券可预测性的分析 | 第7-10页 |
| ·金融证券市场影响因素分析 | 第10-11页 |
| ·证券分析方法 | 第11页 |
| ·证券预测方法 | 第11-13页 |
| ·模糊神经网络研究的最新进展 | 第13页 |
| ·支持向量机预测研究的最新进展 | 第13-14页 |
| ·本文解决的主要问题和研究内容 | 第14-15页 |
| ·本文的章节简介 | 第15-16页 |
| 第二章 基于误差反向传播(BP)算法的神经网络 | 第16-28页 |
| ·神经网络概述 | 第16-24页 |
| ·神经网络的定义和特点 | 第16-17页 |
| ·神经网络的主要应用领域 | 第17页 |
| ·神经元模型 | 第17-18页 |
| ·激活函数的类型 | 第18-20页 |
| ·神经网络的典型模型 | 第20-22页 |
| ·学习过程 | 第22-24页 |
| ·BP网络(多层前向网络) | 第24-28页 |
| ·BP网络的定义 | 第24页 |
| ·网络结构 | 第24-26页 |
| ·误差反向传播(BP)算法 | 第26-27页 |
| ·误差反向传播(BP)算法存在的问题 | 第27-28页 |
| 第三章 模糊神经网络 | 第28-41页 |
| ·传统的模糊神经网络 | 第28-32页 |
| ·模糊逻辑和神经网络的比较 | 第28页 |
| ·模糊神经网络的分类 | 第28-30页 |
| ·模糊神经网络的应用 | 第30页 |
| ·传统神经网络结构 | 第30-32页 |
| ·本文设计的神经网络 | 第32-41页 |
| ·低复杂度模糊激活函数介绍 | 第32-35页 |
| ·本文设计的模糊神经网络结构模型 | 第35-36页 |
| ·网络学习算法 | 第36-37页 |
| ·非线性时间序列预测原理 | 第37页 |
| ·基于神经网络的证券价格预测原理 | 第37-38页 |
| ·股价预测输入输出相关变量的选取 | 第38-39页 |
| ·用模糊神经网络预测股价 | 第39-40页 |
| ·小结 | 第40-41页 |
| 第四章 支持向量机(SVM) | 第41-53页 |
| ·统计学习理论 | 第42-45页 |
| ·机器学习的基本问题 | 第42-43页 |
| ·经验风险最小化原则 | 第43页 |
| ·VC维 | 第43-44页 |
| ·复杂性和推广能力 | 第44页 |
| ·结构风险最小化 | 第44-45页 |
| ·最优超平面 | 第45-46页 |
| ·支持向量机(SVM)分类 | 第46-48页 |
| ·线性支持向量机(SVM)分类 | 第46-47页 |
| ·非线性支持向量机(SVM)分类 | 第47-48页 |
| ·支持向量机回归 | 第48-53页 |
| ·线性SVM回归 | 第48-50页 |
| ·非线性SVM回归 | 第50-53页 |
| 第五章 应用RASVM进行金融时间序列预测 | 第53-61页 |
| ·数据集 | 第53页 |
| ·自适应参数的简化支持向量机(RASVM) | 第53-54页 |
| ·修改参数c | 第53-54页 |
| ·修改参数ε | 第54页 |
| ·RSVM用于回归估计 | 第54-56页 |
| ·ε-不敏感损失函数的RASVM的计算 | 第56-57页 |
| ·SSOR算法： | 第57页 |
| ·实验结果： | 第57-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 攻读学位期间的研究成果 | 第66-67页 |
| 致谢 | 第67-68页 |
| 学位论文独创性声明、学位论文知识产权权属声明 | 第68页 |
