| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景和意义 | 第9-12页 |
| 1.1.1 研究背景 | 第9-11页 |
| 1.1.2 股票预测的意义 | 第11-12页 |
| 1.2 研究内容和结构安排 | 第12-14页 |
| 1.2.1 研究内容 | 第12页 |
| 1.2.2 本文结构 | 第12-14页 |
| 第二章 数据选取与实验准备 | 第14-21页 |
| 2.1 股票预测方法研究 | 第14-18页 |
| 2.1.1 传统分析方法 | 第15-16页 |
| 2.1.2 现代技术分析方法 | 第16-18页 |
| 2.2 数据选取与实验准备 | 第18-20页 |
| 2.2.1 数据选取 | 第18-19页 |
| 2.2.2 实验环境 | 第19-20页 |
| 2.2.3 模型评价标准 | 第20页 |
| 2.3 本章小结 | 第20-21页 |
| 第三章 ARIMA(p,d,q)预测模型研究 | 第21-29页 |
| 3.1 时间序列预测模型 | 第21-22页 |
| 3.2 ARIMA模型总体流程 | 第22-24页 |
| 3.2.1 平稳性判别与研究 | 第23-24页 |
| 3.2.2 拖尾性和截尾性相关研究 | 第24页 |
| 3.3 ARIMA预测模型在股票市场的应用 | 第24-28页 |
| 3.3.1 仿真实验 | 第24-27页 |
| 3.3.2 实验结果 | 第27-28页 |
| 3.4 本章小结 | 第28-29页 |
| 第四章 SVR预测模型研究 | 第29-40页 |
| 4.1 支持向量回归 | 第29-33页 |
| 4.1.1 统计学习理论 | 第29-30页 |
| 4.1.2 支持向量机回归原理 | 第30-32页 |
| 4.1.3 支持向量机特点 | 第32-33页 |
| 4.2 SVR预测模型 | 第33-37页 |
| 4.2.1 SVR预测模型总流程研究 | 第33-34页 |
| 4.2.2 确定自变量范围算法 | 第34页 |
| 4.2.3 核函数及其参数优化算法 | 第34-37页 |
| 4.3 SVR预测模型在股票市场的应用 | 第37-39页 |
| 4.3.1 仿真实验 | 第37-38页 |
| 4.3.2 实验结果 | 第38-39页 |
| 4.4 本章小结 | 第39-40页 |
| 第五章 基于小波分析的ARIMA-SVR预测模型研究 | 第40-53页 |
| 5.1 小波分析概述 | 第40-44页 |
| 5.1.1 小波分析理论 | 第40-41页 |
| 5.1.2 小波变换 | 第41-43页 |
| 5.1.3 常用小波函数 | 第43-44页 |
| 5.2 基于小波分析的ARIMA-SVR预测模型 | 第44-47页 |
| 5.2.1 重构部分的ARIMA预测 | 第45-46页 |
| 5.2.2 误差部分的SVR预测 | 第46-47页 |
| 5.3 基于小波分析的ARIMA-SVR预测方法在股票市场的应用 | 第47-52页 |
| 5.3.1 小波分解与小波重构 | 第47-49页 |
| 5.3.2 重构部分的ARIMA预测 | 第49-51页 |
| 5.3.3 误差部分的SVR预测 | 第51页 |
| 5.3.4 实验结果 | 第51-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第六章 三种模型的对比与研究 | 第53-57页 |
| 6.1 实验结果汇总对比 | 第53-55页 |
| 6.2 三种预测模型对比研究 | 第55-56页 |
| 6.3 本章小结 | 第56-57页 |
| 第七章 总结与展望 | 第57-59页 |
| 7.1 工作总结 | 第57-58页 |
| 7.2 下一步的工作 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间公开发表的学术论文 | 第63页 |