| 摘要 | 第4-6页 |
| abstract | 第6-8页 |
| 第一章 绪论 | 第14-28页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 相关文献综述 | 第15-21页 |
| 1.2.1 金融时间序列分析 | 第15-16页 |
| 1.2.2 金融市场的概率可预测性 | 第16-17页 |
| 1.2.3 金融时间序列预测的特征提取 | 第17-19页 |
| 1.2.3.1 经验模态分解的相关文献综述 | 第17-18页 |
| 1.2.3.2 主成分分析的相关文献综述 | 第18-19页 |
| 1.2.4 金融时间序列的聚类与回归预测 | 第19-21页 |
| 1.2.4.1 仿射传播聚类的相关文献综述 | 第19-20页 |
| 1.2.4.2 K-最邻近元的相关文献综述 | 第20-21页 |
| 1.3 本文的主要工作 | 第21-26页 |
| 1.3.1 主要研究内容 | 第21-22页 |
| 1.3.2 采用的主要理论与技术实施 | 第22-24页 |
| 1.3.3 本文的结构安排 | 第24-26页 |
| 1.4 研究的创新及贡献 | 第26-28页 |
| 第二章 金融时间序列预测计算智能模型的结构框架与主要技术 | 第28-57页 |
| 2.1 金融时间序列的特点及时间尺度 | 第28-29页 |
| 2.1.1 金融时间序列的特点 | 第28页 |
| 2.1.2 金融时间序列的时间尺度 | 第28-29页 |
| 2.2 金融时间序列的特征提取 | 第29-42页 |
| 2.2.1 金融时间序列专门的经验模态分解 | 第29-37页 |
| 2.2.1.1 滑动窗口技术 | 第29-30页 |
| 2.2.1.2 EMD分解的基本原理 | 第30-31页 |
| 2.2.1.3 瞬时频率 | 第31-34页 |
| 2.2.1.4 本征模态函数 | 第34-35页 |
| 2.2.1.5 EMD分解过程 | 第35-37页 |
| 2.2.1.6 EMD的正交性与完备性 | 第37页 |
| 2.2.2 主成分分析降维及特征提取 | 第37-42页 |
| 2.2.2.1 PCA的基本原理 | 第38-39页 |
| 2.2.2.2 PCA降维的意义 | 第39-40页 |
| 2.2.2.3 PCA降维过程 | 第40-41页 |
| 2.2.2.4 PCA降维后的主成分提取 | 第41-42页 |
| 2.2.2.5 PCA特征提取的适应性 | 第42页 |
| 2.3 金融时间序列的聚类与非参数回归预测 | 第42-53页 |
| 2.3.1 仿射传播聚类 | 第43-46页 |
| 2.3.1.1 AP聚类的基本原理 | 第43-45页 |
| 2.3.1.2 AP聚类过程 | 第45-46页 |
| 2.3.2 自适应仿射传播聚类 | 第46-49页 |
| 2.3.2.1 自适应阻尼与自适应逃离 | 第46-48页 |
| 2.3.2.2 自适应扫描与最优聚类结果提取 | 第48-49页 |
| 2.3.3 基于自适应仿射传播聚类的嵌套式K-最邻近元回归 | 第49-53页 |
| 2.3.3.1 非参数回归 | 第50页 |
| 2.3.3.2 KNN的基本原理 | 第50页 |
| 2.3.3.3 KNN常用的相似性测度 | 第50-51页 |
| 2.3.3.4 KNN回归预测 | 第51页 |
| 2.3.3.5 嵌套式NKNN回归预测 | 第51-53页 |
| 2.4 金融时间序列预测的一般结构 | 第53-54页 |
| 2.5 金融时间序列预测计算智能模型的输入与输出 | 第54-55页 |
| 2.6 本章小结 | 第55-57页 |
| 第三章 PCA-KNN(PK)预测计算智能模型及实证分析 | 第57-70页 |
| 3.1 PK预测模型的基本原理 | 第58页 |
| 3.2 PK预测模型的一般结构 | 第58-59页 |
| 3.3 PK预测模型的算法流程 | 第59页 |
| 3.4 PK预测模型的结构参数 | 第59-60页 |
| 3.5 PK预测模型的实证分析 | 第60-69页 |
| 3.5.1 预测模型的效能测度 | 第60页 |
| 3.5.2 PK模型预测用友网络日线收益率的实证分析 | 第60-63页 |
| 3.5.2.1 数据及统计描述 | 第60-61页 |
| 3.5.2.2 用友网络日线收益率的PCA降维及特征提取 | 第61-62页 |
| 3.5.2.3 PK_YONYOU_D1模型预测用友网络t(10)1日线收益率 | 第62-63页 |
| 3.5.3 PK模型预测沪深300指数日线收益率的实证分析 | 第63-66页 |
| 3.5.3.1 数据及统计描述 | 第63-64页 |
| 3.5.3.2 沪深300指数日线收益率的PCA降维及特征提取 | 第64-65页 |
| 3.5.3.3 PK_CSI300_D1模型预测沪深300指数t(10)1日线收益率 | 第65-66页 |
| 3.5.4 PK模型与相关模型的实证比较 | 第66-69页 |
| 3.5.4.1 KNN_YOUYOU_D1模型预测用友网络t(10)1日线收益率 | 第66-67页 |
| 3.5.4.2 KNN_CSI300_D1模型预测沪深300指数t(10)1日线收益率 | 第67-68页 |
| 3.5.4.3 PK模型与相关模型的预测实证结果比较 | 第68-69页 |
| 3.6 本章小结 | 第69-70页 |
| 第四章 FTSEMD-PCA-KNN(FEPK)预测计算智能模型及实证分析 | 第70-85页 |
| 4.1 FEPK预测模型的基本原理 | 第70-71页 |
| 4.2 FEPK预测模型的一般结构 | 第71页 |
| 4.3 FEPK预测模型的算法流程 | 第71-73页 |
| 4.4 FEPK预测模型的结构参数 | 第73页 |
| 4.5 FEPK预测模型的实证分析 | 第73-84页 |
| 4.5.1 FEPK模型预测用友网络日线收益率的实证分析 | 第73-78页 |
| 4.5.1.1 用友网络日线收益率的FTSEMD分解及结果 | 第73-77页 |
| 4.5.1.2 用友网络日线收益率经过FTSEMD分解后的PCA降维 | 第77页 |
| 4.5.1.3 FEPK_YONYOU_D1模型预测用友网络t(10)1日线收益率 | 第77-78页 |
| 4.5.2 FEPK模型预测沪深300指数日线收益率的实证分析 | 第78-83页 |
| 4.5.2.1 沪深300指数日线收益率的FTSEMD分解及结果 | 第78-81页 |
| 4.5.2.2 沪深300指数日线收益率经过FTSEMD分解后的PCA降维 | 第81-82页 |
| 4.5.2.3 FEPK_CSI300_D1模型预测沪深300指数t(10)1日线收益率 | 第82-83页 |
| 4.5.3 FEPK模型与相关模型的实证比较 | 第83-84页 |
| 4.6 本章小结 | 第84-85页 |
| 第五章 PCA-AAP-NKNN(PANK)预测计算智能模型及实证分析 | 第85-94页 |
| 5.1 PANK预测模型的基本原理 | 第85-86页 |
| 5.2 PANK预测模型的一般结构 | 第86页 |
| 5.3 PANK预测模型的算法流程 | 第86-88页 |
| 5.4 PANK预测模型的结构参数 | 第88页 |
| 5.5 PANK预测模型的实证分析 | 第88-93页 |
| 5.5.1 PANK模型预测用友网络日线收益率的实证分析 | 第88-90页 |
| 5.5.1.1 用友网络日线收益率的PCA降维及特征提取 | 第88-89页 |
| 5.5.1.2 PANK_YONYOU_D1模型预测用友网络t(10)1日线收益率 | 第89-90页 |
| 5.5.2 PANK模型预测沪深300指数日线收益率的实证分析 | 第90-92页 |
| 5.5.2.1 沪深300指数日线收益率的PCA降维及特征提取 | 第90-91页 |
| 5.5.2.2 PANK_CSI300_d1模型预测沪深300指数t(10)1日线收益率 | 第91-92页 |
| 5.5.3 PANK模型与相关模型的实证比较 | 第92-93页 |
| 5.6 本章小结 | 第93-94页 |
| 第六章 FTSEMD-PCA-AAP-NKNN(EPAK)预测模型及实证分析 | 第94-110页 |
| 6.1 EPAK预测模型的基本原理 | 第94-95页 |
| 6.2 EPAK预测模型的一般结构 | 第95页 |
| 6.3 EPAK预测模型的算法流程 | 第95-97页 |
| 6.4 EPAK预测模型的结构参数 | 第97页 |
| 6.5 EPAK预测模型的实证分析 | 第97-109页 |
| 6.5.1 EPAK模型预测用友网络日线收益率的实证分析 | 第97-102页 |
| 6.5.1.1 用友网络日线收益率的FTSEMD分解及结果 | 第97-100页 |
| 6.5.1.2 用友网络日线收益率经过FTSEMD分解后的PCA降维 | 第100-101页 |
| 6.5.1.3 EPAK_YONYOU_D1模型预测用友网络t(10)1日线收益率 | 第101-102页 |
| 6.5.2 EPAK模型预测沪深300指数日线收益率的实证分析 | 第102-107页 |
| 6.5.2.1 沪深300指数日线收益率的FTSEMD分解及结果 | 第102-105页 |
| 6.5.2.2 沪深300指数日线收益率经过FTSEMD分解后的PCA降维 | 第105-106页 |
| 6.5.2.3 EPAK_CSI300_D1模型预测沪深300指数t(10)1日线收益率 | 第106-107页 |
| 6.5.3 EPAK模型与相关模型的实证比较 | 第107-109页 |
| 6.6 本章小结 | 第109-110页 |
| 第七章 股指预测的多变量信息融合预测模型及实证分析 | 第110-116页 |
| 7.1 股指预测的多变量信息融合预测的基本原理 | 第110-111页 |
| 7.2 股指预测的多变量信息融合预测模型建模 | 第111-112页 |
| 7.2.1 大盘指数的一般计算 | 第111-112页 |
| 7.2.2 行业股指的单变量预测 | 第112页 |
| 7.2.3 股指预测的多变量信息融合预测模型的一般结构 | 第112页 |
| 7.3 行业股指预测的信息融合预测沪深300指数的实证分析 | 第112-114页 |
| 7.3.1 EPAK模型预测行业股指的实证分析 | 第113页 |
| 7.3.2 行业股指预测的信息融合预测沪深300指数的实证与对比分析 | 第113-114页 |
| 7.4 本章小结 | 第114-116页 |
| 第八章 结论 | 第116-118页 |
| 8.1 本文总结 | 第116-117页 |
| 8.2 研究展望 | 第117-118页 |
| 致谢 | 第118-119页 |
| 参考文献 | 第119-130页 |
| 攻读博士学位期间取得的成果 | 第130页 |
