| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景和意义 | 第10-12页 |
| 1.1.1 研究背景 | 第10-11页 |
| 1.1.2 研究意义 | 第11-12页 |
| 1.2 研究的主要内容及方法 | 第12-15页 |
| 1.3 论文技术路线图 | 第15页 |
| 1.4 创新和不足 | 第15-17页 |
| 1.4.1 本文的创新点 | 第15-16页 |
| 1.4.2 本文的不足 | 第16-17页 |
| 第2章 证券市场预测方法研究综述 | 第17-24页 |
| 2.1 基本面预测法 | 第17-18页 |
| 2.2 技术分析方法 | 第18-19页 |
| 2.3 时间序列分析法 | 第19-20页 |
| 2.4 神经网络预测方法 | 第20-22页 |
| 2.5 支持向量机预测法综述 | 第22页 |
| 2.6 本章小结 | 第22-24页 |
| 第3章 支持向量机理论基础 | 第24-38页 |
| 3.1 机器学习理论 | 第24-26页 |
| 3.1.1 机器学习理论概述 | 第24页 |
| 3.1.2 机器学习数学原理 | 第24-26页 |
| 3.2 统计学习理论 | 第26-29页 |
| 3.2.1 经验风险最小化 | 第26-27页 |
| 3.2.2 VC维 | 第27页 |
| 3.2.3 推广性的界 | 第27-28页 |
| 3.2.4 结构风险最小化 | 第28-29页 |
| 3.3 支持向量机数学原理 | 第29-33页 |
| 3.3.1 支持向量机的原理 | 第29页 |
| 3.3.2 线性可分问题 | 第29-31页 |
| 3.3.3 近似线性可分问题 | 第31-32页 |
| 3.3.4 线性不可分问题 | 第32-33页 |
| 3.4 遗传算法算法相关理论 | 第33-35页 |
| 3.4.1 遗传算法基本原理 | 第34-35页 |
| 3.4.2 遗传算法的优缺点 | 第35页 |
| 3.5 粒子群算法相关理论 | 第35-37页 |
| 3.5.1 粒子群算法原理 | 第35-36页 |
| 3.5.2 粒子群算法的优缺点 | 第36-37页 |
| 3.6 本章小结 | 第37-38页 |
| 第4章 股指期货短期价格预测模型的设计 | 第38-48页 |
| 4.1 模型构建流程 | 第38-39页 |
| 4.2 工具介绍 | 第39-41页 |
| 4.2.1 回归工具介绍 | 第39-40页 |
| 4.2.2 参数优化工具介绍 | 第40-41页 |
| 4.3 数据来源 | 第41页 |
| 4.4 数据处理 | 第41-42页 |
| 4.4.1 指标选择 | 第41-42页 |
| 4.4.2 数据标准化处理 | 第42页 |
| 4.5 参数优化 | 第42-46页 |
| 4.5.1 遗传算法优化方法 | 第43-44页 |
| 4.5.2 粒子群算法优化方法 | 第44-46页 |
| 4.6 模型设计 | 第46-47页 |
| 4.7 本章小结 | 第47-48页 |
| 第5章 中国股指期货短期价格预测的模型建立和实证分析 | 第48-70页 |
| 5.1 数据和指标的选取 | 第48-49页 |
| 5.2 数据的预处理 | 第49-50页 |
| 5.3 参数优化 | 第50-54页 |
| 5.3.1 遗传算法参数优化 | 第51-53页 |
| 5.3.2 粒子群算法参数优化 | 第53-54页 |
| 5.4 模型建立和训练样本内拟合 | 第54-62页 |
| 5.5 拟合结果分析 | 第62-63页 |
| 5.6 新鲜样本预测 | 第63-67页 |
| 5.7 实证分析结果 | 第67-68页 |
| 5.8 模型的适应性研究 | 第68-69页 |
| 5.9 本章小结 | 第69-70页 |
| 第6章 结论及未来展望 | 第70-72页 |
| 6.1 结论 | 第70-71页 |
| 6.2 研究的局限性和未来展望 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75页 |