| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1、绪论 | 第10-15页 |
| 1.1 研究背景和研究意义 | 第10-11页 |
| 1.2 国内外研究综述 | 第11-13页 |
| 1.3 研究内容 | 第13-14页 |
| 1.4 创新之处 | 第14-15页 |
| 2、基金相关理论及基金净值预测方法 | 第15-21页 |
| 2.1 基金与基金净值 | 第15-17页 |
| 2.1.1 基金净值 | 第15页 |
| 2.1.2 基金的特点 | 第15-16页 |
| 2.1.3 基金的分类 | 第16-17页 |
| 2.2 基金净值预测方法 | 第17-21页 |
| 2.2.1 统计方法 | 第17-19页 |
| 2.2.2 BP 神经网络方法 | 第19-21页 |
| 3、小波去噪方法的改进 | 第21-30页 |
| 3.1 基金数据中的噪声因素 | 第21-22页 |
| 3.2 小波变换的发展和应用 | 第22-23页 |
| 3.3 小波消噪的基本原理 | 第23-25页 |
| 3.4 小波去噪方法的改进 | 第25-28页 |
| 3.4.1 小波阈值去噪模型的建立 | 第25-26页 |
| 3.4.2 阈值选取过程 | 第26-27页 |
| 3.4.3 改进的阈值处理函数 | 第27-28页 |
| 3.5 改进的小波去噪方法的应用 | 第28-30页 |
| 4、支持向量机与核函数的选取 | 第30-43页 |
| 4.1 统计学习理论 | 第30-33页 |
| 4.2 支持向量机 | 第33-37页 |
| 4.2.1 支持向量机概述 | 第33页 |
| 4.2.2 线性分类器与非线性分类器 | 第33-35页 |
| 4.2.3 支持向量机常用的核函数 | 第35-37页 |
| 4.3 核函数的构造 | 第37-39页 |
| 4.3.1 局部核函数与全局核函数 | 第37-38页 |
| 4.3.2 核函数的组合 | 第38-39页 |
| 4.4 支持向量机的时间序列预测模型的建立 | 第39-42页 |
| 4.4.1 支持向量回归机 | 第39-40页 |
| 4.4.2 支持向量回归机预测模型的建立 | 第40-42页 |
| 4.5 本章小结 | 第42-43页 |
| 5、基于改进小波去噪的支持向量机的基金净值预测模型的建立 | 第43-52页 |
| 5.1 数据的选取 | 第43-44页 |
| 5.2 数据的预处理-改进的小波去噪 | 第44页 |
| 5.3 基于改进小波去噪的支持向量机预测模型的建立 | 第44-49页 |
| 5.3.1 核函数的选取 | 第44-48页 |
| 5.3.2 预测模型的建立 | 第48-49页 |
| 5.4 与 BP 神经网络方法进行比较 | 第49-52页 |
| 6、结论与展望 | 第52-54页 |
| 6.1 结论 | 第52页 |
| 6.2 展望 | 第52-54页 |
| 参考文献 | 第54-58页 |
| 附录 A：攻读硕士学位期间作者发表论文及科研情况 | 第58-59页 |
| 附录 B：小波去噪 Matlab 程序 | 第59-61页 |
| 致谢 | 第61页 |