| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 问题提出和选题意义 | 第9-10页 |
| 1.1.1 问题的提出 | 第9页 |
| 1.1.2 选题意义 | 第9-10页 |
| 1.2 文献综述 | 第10-12页 |
| 1.2.1 股指期货市场风险研究 | 第10页 |
| 1.2.2 极端风险界定与度量 | 第10-11页 |
| 1.2.3 金融风险预警研究 | 第11-12页 |
| 1.3 研究内容 | 第12-13页 |
| 1.4 研究方法和思路 | 第13页 |
| 1.5 创新之处 | 第13-15页 |
| 第2章 我国股指期货市场极端风险分析 | 第15-22页 |
| 2.1 我国股指期货市场风险的理论分析 | 第15-18页 |
| 2.1.1 我国股指期货市场发展过程 | 第15页 |
| 2.1.2 我国股指期货市场的风险类型 | 第15-17页 |
| 2.1.3 股指期货市场所面临的风险特点 | 第17-18页 |
| 2.2 股指期货市场收益率统计特征 | 第18-20页 |
| 2.2.1 描述性统计分析 | 第18-19页 |
| 2.2.2 平稳性检验 | 第19页 |
| 2.2.3 自相关与偏自相关检验 | 第19-20页 |
| 2.3 股指数货市场极端风险界定 | 第20-21页 |
| 2.4 小结 | 第21-22页 |
| 第3章 股指期货市场极端风险智能预警模型 | 第22-40页 |
| 3.1 极端风险预警指标的构建 | 第22-27页 |
| 3.1.1 极端风险预警指标的选择 | 第22-23页 |
| 3.1.2 VaR测度方法 | 第23-24页 |
| 3.1.3 统计量的构建 | 第24-25页 |
| 3.1.4 VaR的计算 | 第25-27页 |
| 3.2 数据预处理和小波分解 | 第27-34页 |
| 3.2.1 小波函数 | 第27-28页 |
| 3.2.2 小波函数及其性质 | 第28-29页 |
| 3.2.3 多分辨率分析 | 第29-30页 |
| 3.2.4 基于多分辨率小波的信号分解与重构 | 第30-32页 |
| 3.2.5 小波分解在股指期货中的应用 | 第32-34页 |
| 3.3 极端风险神经网络智能预警模型 | 第34-38页 |
| 3.3.1 预警模型的选择 | 第34页 |
| 3.3.2 人工神经网络 | 第34-38页 |
| 3.4 小结 | 第38-40页 |
| 第4章 智能预警模型应用分析 | 第40-47页 |
| 4.1 多步预测模型构建 | 第40-41页 |
| 4.2 BP神经网络预警模型的实现 | 第41-43页 |
| 4.2.1 预警模型训练和测试数据 | 第41页 |
| 4.2.2 单步预测 | 第41-42页 |
| 4.2.3 多步预测 | 第42-43页 |
| 4.3 预警结果与讨论 | 第43-45页 |
| 4.4 小结 | 第45-47页 |
| 第5章 结论与展望 | 第47-48页 |
| 5.1 研究结论 | 第47页 |
| 5.2 进一步研究方向 | 第47-48页 |
| 参考文献 | 第48-52页 |
| 研究生学习期间以第1作者身份公开发表的论文清单 | 第52-53页 |
| 致谢 | 第53-54页 |
| 附件 1: 股指期货市场极端风险智能预警程序清单 | 第54-60页 |
| 附表 1：IF当月连续市场极端风险情况表（日度） | 第60-64页 |
| 附表 2：IF当月连续市场极端风险计算数据结果表（日度） | 第64-69页 |