| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景及现状 | 第8-12页 |
| 1.2 研究内容及创新点 | 第12页 |
| 1.3 论文组织结构 | 第12-14页 |
| 第2章 支持向量机理论 | 第14-25页 |
| 2.1 最优化理论 | 第14-16页 |
| 2.2 机器学习的基本理论 | 第16-18页 |
| 2.3 统计学习理论 | 第18-21页 |
| 2.4 支持向量机理论 | 第21-25页 |
| 第3章 信息几何理论及黎曼核函数 | 第25-32页 |
| 3.1 微分流形和黎曼流形 | 第25-27页 |
| 3.2 联络与度量 | 第27-28页 |
| 3.3 李群与李代数 | 第28页 |
| 3.4 核函数 | 第28-29页 |
| 3.5 核判别分析 | 第29-31页 |
| 3.6 黎曼核函数 | 第31-32页 |
| 第4章 基于支持向量机算法的股票预测择时模型 | 第32-38页 |
| 4.1 择时模型设计的总体思路 | 第32-34页 |
| 4.2 输入变量的技术指标 | 第34-37页 |
| 4.3 计算方法 | 第37页 |
| 4.4 模型的辅助策略 | 第37-38页 |
| 第5章 仿真实验 | 第38-42页 |
| 5.1 基于高斯径向核函数支持向量机算法的股票择时模型 | 第39-40页 |
| 5.2 基于黎曼核函数支持向量机算法的股票择时模型 | 第40-42页 |
| 5.3 结果分析 | 第42页 |
| 第6章 总结与展望 | 第42-44页 |
| 6.1 总结 | 第42-43页 |
| 6.2 展望 | 第43-44页 |
| 致谢 | 第44-45页 |
| 参考文献 | 第45-47页 |