基于离群特征提取和能量计算的SVM股市预测研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| Abstract | 第9-10页 |
| 第一章 绪论 | 第16-21页 |
| 1.1 本文研究的背景 | 第16页 |
| 1.2 国内外的研究现状 | 第16-18页 |
| 1.3 贝叶斯网络 | 第18-19页 |
| 1.4 本文的课题来源及工作创新 | 第19页 |
| 1.4.1 课题来源 | 第19页 |
| 1.4.2 本文主要工作创新 | 第19页 |
| 1.5 文章的章节安排 | 第19-21页 |
| 第二章 贝叶斯网络及特征选择算法 | 第21-32页 |
| 2.1 贝叶斯网络 | 第21-25页 |
| 2.1.1 贝叶斯定理 | 第21页 |
| 2.1.2 贝叶斯网络的相关定义 | 第21-22页 |
| 2.1.3 概率图分割和变量独立 | 第22-23页 |
| 2.1.4 条件独立性的测试方法 | 第23-25页 |
| 2.2 马尔科夫毯 | 第25-27页 |
| 2.2.1 马尔科夫毯的相关定义及应用 | 第25-26页 |
| 2.2.2 马尔科夫毯算法 | 第26-27页 |
| 2.3 常见的特征选择选法 | 第27-31页 |
| 2.3.1 特征选择 | 第27-28页 |
| 2.3.2 PCA算法 | 第28-29页 |
| 2.3.3 KCA算法 | 第29页 |
| 2.3.4 遗传算法 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于离群特征模式的股市波动预测 | 第32-50页 |
| 3.1 引言 | 第32页 |
| 3.2 支持向量机 | 第32-37页 |
| 3.2.1 基础理论介绍 | 第32-33页 |
| 3.2.2 支持向量机算法介绍 | 第33-37页 |
| 3.3 离群特征模式 | 第37-39页 |
| 3.3.1 股市技术指标 | 第37页 |
| 3.3.2 离群特征模式定义 | 第37-38页 |
| 3.3.3 离群特征模式提取 | 第38-39页 |
| 3.4 融合离群特征模式的支持向量机 | 第39-43页 |
| 3.4.1 马尔科夫毯特征选择 | 第40-41页 |
| 3.4.2 建立离群特征 | 第41页 |
| 3.4.3 离群特征模式的引入 | 第41-42页 |
| 3.4.4 算法描述 | 第42-43页 |
| 3.5 实验数据处理 | 第43-46页 |
| 3.5.1 试验数据 | 第43-44页 |
| 3.5.2 用马尔科夫毯进行特征选择 | 第44-45页 |
| 3.5.3 对数据预处理 | 第45页 |
| 3.5.4 模型参数的选择 | 第45页 |
| 3.5.5 对比实验算法 | 第45页 |
| 3.5.6 评价标准 | 第45-46页 |
| 3.6 SOFSVM预测的结果分析 | 第46-49页 |
| 3.6.1 数据集划分 | 第46页 |
| 3.6.2 SOFSVM预测结果 | 第46-48页 |
| 3.6.3 对比分析 | 第48-49页 |
| 3.7 本章小结 | 第49-50页 |
| 第四章 基于特征能量的股市波动预测 | 第50-64页 |
| 4.1 引言 | 第50页 |
| 4.2 贝叶斯网络的风险评估 | 第50-51页 |
| 4.3 滑动窗口 | 第51-52页 |
| 4.3.1 数据流 | 第51页 |
| 4.3.2 窗口技术 | 第51-52页 |
| 4.4 基于特征能量的支持向量机 | 第52-58页 |
| 4.4.1 贝叶斯网络模型的构建 | 第52-54页 |
| 4.4.2 股市波动能量 | 第54-57页 |
| 4.4.3 能量窗口 | 第57-58页 |
| 4.4.4 EOF-SVM算法 | 第58页 |
| 4.5 EOF-SVM算法结果 | 第58-63页 |
| 4.5.1 实验数据 | 第58-59页 |
| 4.5.2 用马尔科夫毯进行特征选择 | 第59-60页 |
| 4.5.3 贝叶斯网络的构建 | 第60页 |
| 4.5.4 EOF-SVM算法结果 | 第60-62页 |
| 4.5.5 预测对比分析 | 第62-63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 本文的主要工作 | 第64页 |
| 5.2 下一步工作 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第70-71页 |
