| 摘要 | 第1-5页 |
| ABSTRACT | 第5-8页 |
| §1 绪论 | 第8-12页 |
| ·时间序列概述 | 第8-9页 |
| ·时间序列预测 | 第9页 |
| ·预测的评估标准 | 第9-10页 |
| ·时间序列建模、预测的研究现状 | 第10-11页 |
| ·目前研究存在的问题 | 第11页 |
| ·本文的研究工作和章节安排 | 第11-12页 |
| §2 ARIMA模型法 | 第12-19页 |
| ·概述 | 第12页 |
| ·平稳时间序列模型 | 第12-18页 |
| ·AR、MA、ARMA模型 | 第12-13页 |
| ·时间序列的自相关和偏自相关函数 | 第13-14页 |
| ·模型类型的判别 | 第14-15页 |
| ·模型阶数的选择 | 第15-16页 |
| ·模型参数的求解 | 第16-17页 |
| ·平稳时间序列预测 | 第17-18页 |
| ·非平稳时间序列模型 | 第18-19页 |
| §3 基于小波分解的非平稳时间序列建模与预测 | 第19-29页 |
| ·概述 | 第19页 |
| ·基于小波分解的非平稳时间序列建模与预测 | 第19-22页 |
| ·小波分解 | 第19-21页 |
| ·小波系数的单支重构 | 第21页 |
| ·建模及预测 | 第21-22页 |
| ·在上证综合指数预测中的应用 | 第22-29页 |
| ·数据的小波分解 | 第23-24页 |
| ·综合指数小波分解系数的单支重构 | 第24页 |
| ·逼近系数建模 | 第24-26页 |
| ·细节系数建模 | 第26-27页 |
| ·通过模型预测 | 第27-29页 |
| §4 基于Kalman滤波的非平稳时间序列建模与预测 | 第29-36页 |
| ·卡尔曼滤波器 | 第29-30页 |
| ·状态方程和量测方程 | 第29页 |
| ·滤波过程方程 | 第29-30页 |
| ·外推预测 | 第30页 |
| ·Kalman滤波在上证综合指数预测中的应用 | 第30-32页 |
| ·模型确定 | 第30-31页 |
| ·模型应用 | 第31-32页 |
| ·Kalman-ARMA预测方法 | 第32-36页 |
| ·概述 | 第32-33页 |
| ·Kalman-ARMA法在上证综合指数预测中的应用 | 第33-36页 |
| §5 基于灰度组合模型的非平稳时间序列建模与预测 | 第36-42页 |
| ·概述 | 第36页 |
| ·灰色GM(1,1)-ARMA组合模型 | 第36-39页 |
| ·组合模型 | 第36-37页 |
| ·灰色GM(1,1)模型提取趋势项 | 第37-38页 |
| ·随机项ARMA建模 | 第38页 |
| ·组合模型预测 | 第38-39页 |
| ·GM(1,1)-ARMA组合模型在上证综合指数预测中的应用 | 第39-42页 |
| ·GM(1,1)模型提取趋势项 | 第39页 |
| ·随机项建模 | 第39-40页 |
| ·组合模型预测上证指数 | 第40-42页 |
| §6 BP神经网络预测 | 第42-49页 |
| ·概述 | 第42-44页 |
| ·神经网络的简单原理 | 第42页 |
| ·神经元和神经网络的结构 | 第42-43页 |
| ·BP神经网络 | 第43-44页 |
| ·BP神经网络在上证综合指数预测中的应用 | 第44-47页 |
| ·数据归一化处理 | 第45页 |
| ·确定网络拓扑结构 | 第45页 |
| ·训练网络 | 第45-46页 |
| ·预测 | 第46-47页 |
| ·BP神经网络分析 | 第47-49页 |
| ·BP神经网络的优点 | 第47页 |
| ·BP神经网络的问题 | 第47-49页 |
| §7 总结与展望 | 第49-52页 |
| ·总结 | 第49-50页 |
| ·展望 | 第50-52页 |
| 参考文献 | 第52-54页 |
| 致谢 | 第54页 |
