基于GA优化的SVM算法的股票趋势预测
| 提要 | 第1-8页 |
| 第1章 绪论 | 第8-14页 |
| ·选题背景和意义 | 第8页 |
| ·国内外研究现状 | 第8-12页 |
| ·投资分析法 | 第8-9页 |
| ·传统统计学方法 | 第9-10页 |
| ·人工神经网络方法 | 第10-11页 |
| ·支持向量机方法 | 第11-12页 |
| ·本文的内容及创新 | 第12-14页 |
| ·内容及结构 | 第12页 |
| ·主要创新 | 第12-14页 |
| 第2章 算法的理论基础 | 第14-23页 |
| ·统计学习理论和支持向量机 | 第14-20页 |
| ·机器学习的基本问题 | 第14-15页 |
| ·统计学习理论 | 第15-18页 |
| ·支持向量机 | 第18-20页 |
| ·遗传算法 | 第20-22页 |
| ·概述 | 第20页 |
| ·遗传算法基本思想和基本术语 | 第20-21页 |
| ·遗传算法的框架 | 第21-22页 |
| ·本章小结 | 第22-23页 |
| 第3章 建立SVM 预测模型 | 第23-30页 |
| ·概述 | 第23页 |
| ·SVM 要素选取 | 第23-26页 |
| ·核函数 | 第23-24页 |
| ·核参数σ | 第24-25页 |
| ·惩罚因子C | 第25-26页 |
| ·损失函数参数ε | 第26页 |
| ·样本的采集及处理 | 第26-28页 |
| ·提取样本特征 | 第26-27页 |
| ·样本数据采集 | 第27-28页 |
| ·样本的预处理 | 第28页 |
| ·SVM 建模的流程 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 第4章 GA 优化 SVM 算法 | 第30-39页 |
| ·概述 | 第30页 |
| ·优化的理论基础 | 第30-32页 |
| ·GA 的优势 | 第30-31页 |
| ·优化 SVM 参数 | 第31页 |
| ·优化特征选择 | 第31-32页 |
| ·建立优化模型 | 第32-37页 |
| ·GA 模型 | 第32-34页 |
| ·GA 优化SVM 参数 | 第34-35页 |
| ·GA 优化特征选择 | 第35-36页 |
| ·GA-SVM 的优化流程 | 第36-37页 |
| ·本章小结 | 第37-39页 |
| 第5章 实证研究 | 第39-46页 |
| ·实验准备 | 第39-41页 |
| ·样本数据选择 | 第39页 |
| ·样本的预处理 | 第39-40页 |
| ·实验环境 | 第40-41页 |
| ·主要参数 | 第41页 |
| ·实验内容及过程 | 第41-44页 |
| ·实验内容 | 第41-42页 |
| ·实验过程 | 第42-44页 |
| ·实验结果及分析 | 第44-45页 |
| ·实验结果 | 第44页 |
| ·结果分析 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第6章 总结与展望 | 第46-48页 |
| ·总结 | 第46-47页 |
| ·展望 | 第47-48页 |
| 参考文献 | 第48-51页 |
| 致谢 | 第51-52页 |
| 摘要 | 第52-54页 |
| ABSTRACT | 第54-56页 |
