| 摘要 | 第7-8页 |
| abstract | 第8-9页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 选题背景和研究意义 | 第10-12页 |
| 1.1.1 选题背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 时间序列分析股价预测模型 | 第12-14页 |
| 1.2.2 非线性系统理论股价预测模型 | 第14-16页 |
| 1.2.3 数据挖掘股价预测模型 | 第16-17页 |
| 1.3 本文的主要内容 | 第17-19页 |
| 1.3.1 本文的结构 | 第17-18页 |
| 1.3.2 论文的创新与不足 | 第18-19页 |
| 第2章 股票价格预测基础 | 第19-31页 |
| 2.1 股票市场的可预测性 | 第19-20页 |
| 2.2 股票价格预测存在的难题 | 第20-22页 |
| 2.3 小波分析理论 | 第22-24页 |
| 2.3.1 小波的定义 | 第22页 |
| 2.3.2 连续小波变换 | 第22-23页 |
| 2.3.3 离散小波变换 | 第23页 |
| 2.3.4 多分辨分析和Mallat算法 | 第23-24页 |
| 2.4 时间序列分析理论 | 第24-27页 |
| 2.4.1 平稳性检验 | 第25-26页 |
| 2.4.2 ARIMA模型 | 第26-27页 |
| 2.4.3 ARIMA模型参数估计 | 第27页 |
| 2.5 人工神经网络理论 | 第27-29页 |
| 2.5.1 人工神经元模型和人工神经网络 | 第27-28页 |
| 2.5.2 BP神经网络原理 | 第28-29页 |
| 2.6 基于小波多分辨分解的股价波动分频组合预测模型概述 | 第29-31页 |
| 第3章 基于小波多分辨分解的股价波动分频组合预测模型 | 第31-37页 |
| 3.1 分频组合预测模型(M-ARIMA-BP)构建 | 第31-32页 |
| 3.2 小波分析基函数及分解层数的选择 | 第32-33页 |
| 3.3 ARIMA模型识别 | 第33-34页 |
| 3.4 神经网络结构设计 | 第34-37页 |
| 3.4.1 数据预处理 | 第34-35页 |
| 3.4.2 网络结构的选择 | 第35页 |
| 3.4.3 初始权值和学习速率的选择 | 第35-37页 |
| 第4章 预测模型的仿真实证与结果分析 | 第37-53页 |
| 4.1 数据选取 | 第37页 |
| 4.2 小波分解与重构 | 第37-39页 |
| 4.2.1 Mallat分解 | 第37-38页 |
| 4.2.2 Mallat重构 | 第38-39页 |
| 4.3 低频趋势序列建模预测 | 第39-44页 |
| 4.3.1 平稳性检验 | 第39-40页 |
| 4.3.2 ARIMA模型定阶 | 第40-41页 |
| 4.3.3 ARIMA模型建立与预测 | 第41-44页 |
| 4.4 高频波动序列建模预测 | 第44-47页 |
| 4.4.1 BP神经网络拓扑结构和参数的设计 | 第44-45页 |
| 4.4.2 BP神经网络训练及预测 | 第45-47页 |
| 4.5 基于小波多分辨分析的分频组合预测结果 | 第47-48页 |
| 4.6 预测结果比较分析 | 第48-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 研究结论 | 第53-54页 |
| 5.2 对未来研究工作的展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-60页 |
