基于支持向量机参数优化算法的股票智能投顾策略研究
摘要 | 第2-4页 |
Abstract | 第4-5页 |
第1章 绪论 | 第8-14页 |
1.1 研究背景 | 第8-9页 |
1.2 研究目的和意义 | 第9-10页 |
1.3 研究内容、方法和技术路线 | 第10-13页 |
1.3.1 研究内容 | 第10-11页 |
1.3.2 研究方法和技术路线 | 第11-13页 |
1.4 本文的主要贡献 | 第13-14页 |
第2章 文献综述与相关理论 | 第14-29页 |
2.1 文献综述 | 第14-18页 |
2.1.1 智能机器学习发展历史与研究现状 | 第14-16页 |
2.1.2 金融数据挖掘应用支持向量机研究现状 | 第16页 |
2.1.3 支持向量机参数优化算法的文献综述 | 第16-17页 |
2.1.4 相关文献述评 | 第17-18页 |
2.2 相关理论 | 第18-29页 |
2.2.1 基本分析理论 | 第18-19页 |
2.2.2 技术分析理论 | 第19页 |
2.2.3 机器学习理论 | 第19-20页 |
2.2.4 支持向量机理论 | 第20-29页 |
第3章 股票智能投顾市场的问题描述与分析 | 第29-33页 |
3.1 股票预测方法出现的问题与分析 | 第29-30页 |
3.2 核函数与参数的优化问题与分析 | 第30-31页 |
3.3 市场上券商智能投顾的研究现状与分析 | 第31-33页 |
第4章 支持向量机参数优化股票智能投顾方案设计 | 第33-41页 |
4.1 数据与变量选择 | 第34-36页 |
4.2 数据处理 | 第36-37页 |
4.3 模型构建 | 第37-39页 |
4.3.1 综合模型的建立 | 第37-39页 |
4.3.2 神经网格与支持向量机对比模型的建立 | 第39页 |
4.4 方案设计过程总结 | 第39-41页 |
第5章 方案可行性论证及应用 | 第41-57页 |
5.1 核函数的选取与参数调优的运用 | 第41-46页 |
5.1.1 基于网格算法的参数调优 | 第41-42页 |
5.1.2 基于遗传算法的参数调优 | 第42-44页 |
5.1.3 基于粒子群算法的参数调优 | 第44-46页 |
5.2 采用不同参数调优模型预测结果对比 | 第46-50页 |
5.3 BP神经网格与支持向量机模型的对比实验 | 第50-53页 |
5.4 方案的应用与策略结果分析 | 第53-57页 |
第6章 结论与展望 | 第57-59页 |
6.1 论文总结 | 第57-58页 |
6.2 论文展望 | 第58-59页 |
参考文献 | 第59-61页 |
附录 | 第61-64页 |
致谢 | 第64-65页 |
攻读学位期间的研究成果 | 第65-66页 |