| 中文摘要 | 第8-10页 |
| 英文摘要 | 第10-11页 |
| 第一章 绪论 | 第12-16页 |
| §1.1 课题研究背景及意义 | 第12页 |
| §1.2 国内外研究现状 | 第12-14页 |
| §1.3 本文主要研究内容及结构安排 | 第14-16页 |
| §1.3.1 本文主要研究内容 | 第14-15页 |
| §1.3.2 本文篇章结构 | 第15页 |
| §1.3.3 本文创新点 | 第15-16页 |
| 第二章 支持向量机理论 | 第16-29页 |
| §2.1 统计学习理论 | 第16-19页 |
| §2.2 支持向量机 | 第19-24页 |
| §2.2.1 支持向量机基本原理 | 第19页 |
| §2.2.2 线性可分支持向量机 | 第19-22页 |
| §2.2.3 近似线性可分支持向量机 | 第22-23页 |
| §2.2.4 非线性可分支持向量机 | 第23-24页 |
| §2.3 优化算法 | 第24-29页 |
| §2.3.1 交叉验证 | 第24-25页 |
| §2.3.2 遗传算法 | 第25-27页 |
| §2.3.3 粒子群算法 | 第27-29页 |
| 第三章 基于支持向量机的沪深300指数回归预测 | 第29-41页 |
| §3.1 研究工具介绍 | 第29-30页 |
| §3.2 数据来源和指标选取 | 第30-31页 |
| §3.3 模型建立 | 第31页 |
| §3.4 模型实现 | 第31-41页 |
| §3.4.1 变量选取及数据预处理 | 第31-33页 |
| §3.4.2 参数的优化选择 | 第33-35页 |
| §3.4.3 利用最佳参数训练SVM模型做拟合预测 | 第35-40页 |
| §3.4.4 比较分析 | 第40-41页 |
| 第四章 基于模糊信息粒化和支持向量机的沪深300指数回归预测 | 第41-54页 |
| §4.1 基于时间序列的模糊信息粒化方法模型 | 第41-44页 |
| §4.2 模型建立 | 第44-45页 |
| §4.3 模型实现 | 第45-54页 |
| §4.3.1 原始数据提取及模糊信息粒化 | 第45-46页 |
| §4.3.2 利用SVM对模糊信息粒化数据回归预测 | 第46-51页 |
| §4.3.3 模型验证 | 第51-54页 |
| 第五章 总结 | 第54-56页 |
| §5.1 研究工作总结 | 第54页 |
| §5.2 研究局限和展望 | 第54-56页 |
| 参考文献 | 第56-58页 |
| 致谢 | 第58-59页 |
| 学位论文评阅及答辩情况表 | 第59页 |
