基于HMM-ANN混合模型的证券时间序列预测模型的研究与应用
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.1.1 研究背景 | 第10页 |
| 1.1.2 目的及意义 | 第10-11页 |
| 1.2 研究现状综述 | 第11-13页 |
| 1.3 研究内容及技术路线 | 第13-15页 |
| 1.4 研究方法及论文结构 | 第15-18页 |
| 第二章 HM_ANN混合模型预备理论 | 第18-36页 |
| 2.1 马尔可夫模型 | 第18-20页 |
| 2.1.1 Markov过程 | 第18页 |
| 2.1.2 离散马尔可夫链 | 第18-20页 |
| 2.1.3 连续马尔可夫链 | 第20页 |
| 2.2 隐马尔可夫模型(HMM) | 第20-29页 |
| 2.2.1 离散隐马尔可夫模型 | 第21-25页 |
| 2.2.1.1 模型描述 | 第23-25页 |
| 2.2.1.2 模型训练 | 第25页 |
| 2.2.1.3 模型局限性 | 第25页 |
| 2.2.2 连续隐马尔可夫模型 | 第25-29页 |
| 2.2.2.1 模型描述 | 第26页 |
| 2.2.2.2 模型训练 | 第26-27页 |
| 2.2.2.3 模型改进 | 第27-29页 |
| 2.3 人工神经网络 | 第29-31页 |
| 2.3.1 BP神经网络模型 | 第30页 |
| 2.3.2 性能指标 | 第30-31页 |
| 2.4 遗传算法 | 第31-34页 |
| 2.4.1 遗传算法的基本结构 | 第31-33页 |
| 2.4.1.1 选择 | 第32页 |
| 2.4.1.2 交叉 | 第32-33页 |
| 2.4.1.3 变异 | 第33页 |
| 2.4.2 遗传算法的基本流程 | 第33-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第三章 HMM_ANN混合模型 | 第36-48页 |
| 3.1 HMM聚类 | 第36-42页 |
| 3.1.1 聚类 | 第36-40页 |
| 3.1.1.1 聚类分析 | 第36页 |
| 3.1.1.2 HMM聚类分析 | 第36-40页 |
| 3.1.2 聚类评价 | 第40-42页 |
| 3.1.2.1 纵向比较 | 第40-41页 |
| 3.1.2.2 横向比较 | 第41-42页 |
| 3.2 贝叶斯正则化BP神经网络模型(BRBP) | 第42-44页 |
| 3.2.1 正则化 | 第42-43页 |
| 3.2.2 贝叶斯正则化 | 第43-44页 |
| 3.3 GA-BRBP模型 | 第44-45页 |
| 3.4 GA-BRBP-HMM组合模型 | 第45-46页 |
| 3.5 本章小结 | 第46-48页 |
| 第四章 HMM_ANN混合模型的实现与应用 | 第48-56页 |
| 4.1 建模思想 | 第48页 |
| 4.2 证券时间序列的混合模型算法 | 第48-53页 |
| 4.2.1 基本流程 | 第49页 |
| 4.2.2 BRBP模型算法 | 第49-51页 |
| 4.2.3 GA-BRBP模型算法 | 第51-52页 |
| 4.2.4 GA-BRBP-HMM组合模型算法 | 第52-53页 |
| 4.3 实例分析 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 HM ANN混合模型的分析与评价 | 第56-64页 |
| 5.1 纵向比较 | 第56-59页 |
| 5.1.1 每股收益指数的预测分析 | 第56-57页 |
| 5.1.2 涨跌比率的预测分析 | 第57-58页 |
| 5.1.3 换手率的预测分析 | 第58-59页 |
| 5.2 横向比较 | 第59-63页 |
| 5.2.1 与滑动平均算法预测的比较分析 | 第60-61页 |
| 5.2.2 与BP神经网络预测模型的比较分析 | 第61-62页 |
| 5.2.3 与支持向量机模型预测的比较分析 | 第62-63页 |
| 5.3 本章小结 | 第63-64页 |
| 第六章 结束语 | 第64-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 附录 攻读硕士学位期间的研究成果 | 第72页 |
