| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 1 绪论 | 第10-13页 |
| ·论文背景 | 第10页 |
| ·股市预测的发展概况 | 第10-12页 |
| ·本文的主要内容 | 第12页 |
| ·论文的主要结构 | 第12-13页 |
| 2 股票市场预测的基本知识和研究进展 | 第13-20页 |
| ·股票市场预测的基本知识 | 第13-14页 |
| ·股票预测研究方法综述 | 第14-19页 |
| ·传统股票分析方法 | 第14-15页 |
| ·基于统计学的预测方法 | 第15页 |
| ·基于灰色系统理论的预测方法 | 第15页 |
| ·基于人工神经网络的预测方法 | 第15-16页 |
| ·支持向量机预测方法 | 第16-17页 |
| ·组合预测方法 | 第17-19页 |
| ·本章小结 | 第19-20页 |
| 3 统计学习理论和支持向量机 | 第20-34页 |
| ·机器学习 | 第20-23页 |
| ·学习问题的表示 | 第20-22页 |
| ·经验风险最小化 | 第22-23页 |
| ·复杂性与推广能力 | 第23页 |
| ·统计学习理论 | 第23-26页 |
| ·学习过程的一致性条件 | 第24-25页 |
| ·推广性的界 | 第25页 |
| ·结构风险最小化 | 第25-26页 |
| ·支持向量机 | 第26-31页 |
| ·最优分类面 | 第26-28页 |
| ·广义最优分类面 | 第28-29页 |
| ·支持向量机 | 第29-30页 |
| ·核函数 | 第30页 |
| ·算法选择 | 第30-31页 |
| ·支持向量回归机 | 第31-33页 |
| ·回归问题 | 第31页 |
| ·线性支持向量回归机 | 第31-32页 |
| ·非线性支持向量回归机 | 第32-33页 |
| ·支持向量回归机的特点 | 第33页 |
| ·本章小结 | 第33-34页 |
| 4 基于相关分析和灵敏度分析的支持向量回归机股价预测 | 第34-50页 |
| ·基于支持向量回归机的股市预测流程 | 第34-35页 |
| ·样本选取以及数据预处理 | 第35页 |
| ·变量选择及优化 | 第35-37页 |
| ·相关分析 | 第36-37页 |
| ·灵敏度分析 | 第37页 |
| ·数据优化降维 | 第37-38页 |
| ·核函数和参数的选择 | 第38页 |
| ·支持向量机分析预测工具LibSVM | 第38-39页 |
| ·实验建模 | 第39-49页 |
| ·中国联通实验测试 | 第40-44页 |
| ·新五丰实验测试 | 第44-49页 |
| ·本章小结 | 第49-50页 |
| 5 基于自组织神经网络的支持向量回归机股价预测 | 第50-66页 |
| ·聚类方法简介 | 第50-51页 |
| ·自组织特征映射神经网络 | 第51-52页 |
| ·模型流程 | 第52-54页 |
| ·实验建模 | 第54-65页 |
| ·样本聚类 | 第54页 |
| ·中国联通实验测试 | 第54-60页 |
| ·新五丰实验测试 | 第60-65页 |
| ·本章小结 | 第65-66页 |
| 6 结论及展望 | 第66-68页 |
| ·研究结论 | 第66页 |
| ·展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 附录1 | 第73-77页 |
| 附录2 | 第77-85页 |
| 附录3 | 第85页 |