| 摘要 | 第1-6页 |
| ABSTRACT | 第6-14页 |
| 第一章 绪论 | 第14-36页 |
| ·前言 | 第14-17页 |
| ·时间序列模型的发展及国内外研究现状 | 第17-29页 |
| ·线性时间序列模型 | 第18-19页 |
| ·非线性时间序列模型 | 第19-24页 |
| ·神经网络及其混合模型 | 第24-27页 |
| ·金融市场波动率模型 | 第27-29页 |
| ·模型的估计方法及国内外研究现状 | 第29-34页 |
| ·传统基于梯度的优化方法 | 第29-32页 |
| ·计算智能中的进化算法 | 第32-33页 |
| ·混合优化方法 | 第33页 |
| ·模型的定阶 | 第33-34页 |
| ·本文的研究内容和结构安排 | 第34-36页 |
| 第二章 基于RBF-AR模型的非线性时间序列预测 | 第36-55页 |
| ·概述 | 第36-37页 |
| ·问题的描述 | 第37页 |
| ·RBF-AR模型 | 第37-38页 |
| ·RBF-AR模型的稳定性分析 | 第38-43页 |
| ·RBF-AR模型估计方法 | 第43-45页 |
| ·参数分类 | 第43页 |
| ·初始化 | 第43-44页 |
| ·优化 | 第44-45页 |
| ·数值实验及分析 | 第45-54页 |
| ·预测加拿大山猫时间序列 | 第45-47页 |
| ·预测太阳黑子时间序列 | 第47-49页 |
| ·预测Mackey-Glass混沌时间序列 | 第49-53页 |
| ·预测Lorenz吸引子混沌时间序列 | 第53-54页 |
| ·本章小结 | 第54-55页 |
| 第三章 不同基函数对RBF-ARX模型的影响研究 | 第55-64页 |
| ·概述 | 第55-56页 |
| ·RBF-ARX模型 | 第56-57页 |
| ·基函数 | 第57-58页 |
| ·比较实验 | 第58-63页 |
| ·Mackey-Glass时间序列 | 第58-60页 |
| ·Lorenz吸引子时间序列 | 第60-61页 |
| ·Box-Jenkins煤气炉时间序列 | 第61-63页 |
| ·本章小结 | 第63-64页 |
| 第四章 基于带回归权重RBF网络的状态相依AR模型 | 第64-82页 |
| ·概述 | 第64-65页 |
| ·RBFRW-AR模型 | 第65-67页 |
| ·RBFRW-AR模型的稳定性 | 第67-68页 |
| ·RBFRW-AR模型的估计 | 第68-70页 |
| ·参数分类 | 第68页 |
| ·初始化 | 第68-69页 |
| ·优化 | 第69-70页 |
| ·应用 | 第70-81页 |
| ·指数自回归和平滑转移自回归过程 | 第70-72页 |
| ·扭曲长记忆自回归时间序列 | 第72-73页 |
| ·Mackey-Glass混沌时间序列 | 第73-78页 |
| ·Lorenz吸引子时间序列 | 第78-79页 |
| ·EEG时间序列 | 第79-81页 |
| ·本章小结 | 第81-82页 |
| 第五章 RBF型模型的全局—局部混合优化方法 | 第82-109页 |
| ·RBF神经网络参数估计的两种混合优化算法 | 第82-90页 |
| ·RBF神经网络结构 | 第83-84页 |
| ·第一种混合优化算法 | 第84-86页 |
| ·第二种混合优化算法 | 第86-87页 |
| ·中心数目的确定 | 第87-88页 |
| ·数值实验及分析 | 第88-90页 |
| ·进化优化RBF网络结构和参数 | 第90-96页 |
| ·编码策略 | 第90-91页 |
| ·进化优化RBF神经网络 | 第91-93页 |
| ·预测Box-Jenkins煤气炉数据 | 第93-95页 |
| ·预测Mackey-Glass时间序列 | 第95-96页 |
| ·RBF-AR(Ⅹ)模型的全局—局部混合优化方法 | 第96-108页 |
| ·全局—局部混合优化方法 | 第96-99页 |
| ·预测Mackey-Glass混沌时间序列 | 第99-105页 |
| ·建模三容水箱系统 | 第105-108页 |
| ·本章小结 | 第108-109页 |
| 第六章 多目标优化与自适应惩罚的混合约束优化进化算法 | 第109-131页 |
| ·概述 | 第109-110页 |
| ·约束优化问题及其相关定义 | 第110-111页 |
| ·相关工作 | 第111-115页 |
| ·提出方法的描述 | 第115-120页 |
| ·一种自适应的决策者(ADM) | 第115-117页 |
| ·一种基于群的算法发生器模型 | 第117-119页 |
| ·交叉算子 | 第119页 |
| ·算法框架 | 第119-120页 |
| ·数值实验及分析 | 第120-128页 |
| ·测试函数和实验条件 | 第120-121页 |
| ·提出方法的结果 | 第121页 |
| ·与其它算法结果比较 | 第121-122页 |
| ·自适应决策者的有效性分析 | 第122-126页 |
| ·等式约束转换容忍值的影响 | 第126页 |
| ·参数λ对算法的影响 | 第126-128页 |
| ·约束进化算法优化RBF-AR模型 | 第128-129页 |
| ·本章小结 | 第129-131页 |
| 第七章 基于金融市场微结构模型和进化算法的最优动态资产分配 | 第131-150页 |
| ·概述 | 第131-132页 |
| ·模型 | 第132-135页 |
| ·Bouchaud-Cont模型 | 第132页 |
| ·连续时间微结构模型 | 第132-133页 |
| ·离散时间微结构模型 | 第133-135页 |
| ·模型参数的估计 | 第135-145页 |
| ·Kalman滤波和对数似然函数 | 第135-136页 |
| ·基于一种进化模型的参数优化 | 第136-137页 |
| ·仿真实验 | 第137-138页 |
| ·深证综合指数时间序列建模 | 第138-141页 |
| ·长江实业时间序列建模 | 第141-145页 |
| ·动态资产分配控制 | 第145-149页 |
| ·动态资产分配策略 | 第145页 |
| ·门限参数的优化 | 第145-146页 |
| ·深证综合指数时间序列资产分配控制 | 第146-148页 |
| ·长江实业时间序列资产分配控制 | 第148-149页 |
| ·本章小结 | 第149-150页 |
| 第八章 结论与展望 | 第150-152页 |
| ·结论 | 第150-151页 |
| ·展望 | 第151-152页 |
| 参考文献 | 第152-166页 |
| 附录1 | 第166-171页 |
| 致谢 | 第171-172页 |
| 攻读学位期间主要的研究成果 | 第172-173页 |
