粒子群优化的支持向量机在股票预测中的研究与应用
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-10页 |
| CONTENTS | 第10-13页 |
| 第一章 绪论 | 第13-19页 |
| ·课题背景 | 第13-16页 |
| ·股票预测的发展 | 第13-14页 |
| ·股票预测的困难性和可行性 | 第14-16页 |
| ·研究现状 | 第16-17页 |
| ·基于确定性分析的预测 | 第16页 |
| ·基于时间序列分析的预测 | 第16页 |
| ·基于统计机器学习的预测 | 第16-17页 |
| ·论文主要工作 | 第17页 |
| ·论文结构简介 | 第17-19页 |
| 第二章 基于支持向量机的预测理论 | 第19-33页 |
| ·支持向量机概述 | 第19-26页 |
| ·支持向量机原理 | 第19-23页 |
| ·VC维 | 第23-24页 |
| ·结构风险最小化准则 | 第24-26页 |
| ·两种常用的支持向量机 | 第26-28页 |
| ·υ-SVM | 第27页 |
| ·LS-SVM | 第27-28页 |
| ·核函数及其构造 | 第28-32页 |
| ·核函数概念 | 第28-29页 |
| ·金融时序核函数构造 | 第29-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 基于改进粒子群算法的参数优化 | 第33-50页 |
| ·使用粒子群优化的必要性 | 第33-34页 |
| ·标准粒子群算法 | 第34-40页 |
| ·算法原理 | 第34-38页 |
| ·收敛性分析 | 第38-40页 |
| ·生物启发式粒子群算法 | 第40-45页 |
| ·算法模型 | 第40-42页 |
| ·测试分析 | 第42-45页 |
| ·边界缩放变异策略 | 第45-49页 |
| ·粒子越界问题 | 第45-47页 |
| ·边界变异 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 第四章 PSO-SVM预测模型构造 | 第50-64页 |
| ·算法总体结构 | 第50-52页 |
| ·股票指标选择 | 第52-56页 |
| ·平滑异同移动平均线 | 第53-54页 |
| ·随机指标 | 第54-55页 |
| ·相对强弱指标 | 第55页 |
| ·乖离率 | 第55-56页 |
| ·训练算法设计 | 第56-62页 |
| ·原始数据样本化 | 第56-57页 |
| ·K均值聚类 | 第57-61页 |
| ·支持向量机训练 | 第61-62页 |
| ·预测算法设计 | 第62-63页 |
| ·最近邻分类 | 第62-63页 |
| ·支持向量机分类 | 第63页 |
| ·本章小结 | 第63-64页 |
| 第五章 实验设计与结果分析 | 第64-73页 |
| ·实验平台描述 | 第64页 |
| ·软件系统设计 | 第64-66页 |
| ·数据预处理模块设计 | 第64-65页 |
| ·数据分析模块设计 | 第65-66页 |
| ·数据展示模块设计 | 第66页 |
| ·实验结果分析 | 第66-72页 |
| ·样本时间间隔分析 | 第67-68页 |
| ·样本选取分析 | 第68-69页 |
| ·粒子群优化效果分析 | 第69页 |
| ·聚类数量分析 | 第69-70页 |
| ·总体结果分析 | 第70-72页 |
| ·本章小结 | 第72-73页 |
| 总结 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 攻读学位期间发表的论文 | 第79-81页 |
| 致谢 | 第81页 |
