| 第1章 绪论 | 第1-28页 |
| 1．1 课题的目的和意义 | 第12-14页 |
| 1．2 股价基本分析方法 | 第14-19页 |
| 1．2．1 股价波动因素分析 | 第14-15页 |
| 1．2．2 股价分析方法 | 第15-18页 |
| 1．2．3 股价分析方法评价 | 第18-19页 |
| 1．3 小波分析及应用 | 第19-21页 |
| 1．4 小波理论在金融领域中应用综述 | 第21-22页 |
| 1．5 小波网络发展及在预测中应用 | 第22-25页 |
| 1．5．1 小波网络发展综述 | 第22-24页 |
| 1．5．2 小波网络在时间序列预测中应用综述 | 第24-25页 |
| 1．6 本文的主要工作 | 第25-28页 |
| 第2章 小波分析与小波网络分析的理论基础 | 第28-44页 |
| 2．1 小波变换 | 第28-32页 |
| 2．1．1 连续小波变换 | 第28-29页 |
| 2．1．2 二进小波变换 | 第29-31页 |
| 2．1．3 高维小波变换 | 第31-32页 |
| 2．2 多分辨分析 | 第32-38页 |
| 2．2．1 尺度函数生成MRA | 第33页 |
| 2．2．2 MRA确定子空间直和分解 | 第33-34页 |
| 2．2．3 MRA确定信号的级数表示形式 | 第34-35页 |
| 2．2．4 MRA将频域分成子频带的直和 | 第35-36页 |
| 2．2．5 MRA确定的数字滤波器 | 第36-37页 |
| 2．2．6 MRA是构造小波的统一框架 | 第37-38页 |
| 2．3 正交小波分解 | 第38-39页 |
| 2．4 Mallat算法 | 第39-42页 |
| 2．4．1 分解算法 | 第39-41页 |
| 2．4．2 回复算法 | 第41-42页 |
| 2．5 本章小结 | 第42-44页 |
| 第3章 小波神经网络模型 | 第44-60页 |
| 3．1 引言 | 第44-46页 |
| 3．2 神经网络模型 | 第46-48页 |
| 3．3 小波网络 | 第48-50页 |
| 3．4 小波神经网络典型结构 | 第50-54页 |
| 3．5 多分辨小波网络 | 第54-59页 |
| 3．5．1 小波网络算法分析 | 第54-56页 |
| 3．5．2 小波网络的构造过程 | 第56-59页 |
| 3．6 本章小结 | 第59-60页 |
| 第4章 多分辨小波网络在股价预测中的应用 | 第60-83页 |
| 4．1 引言 | 第60-61页 |
| 4．2 相空间重构 | 第61-66页 |
| 4．3 MRA-WNN预测模型 | 第66-67页 |
| 4．4 网络训练算法 | 第67-74页 |
| 4．4．1 多分辨率的学习算法 | 第68-70页 |
| 4．4．2 BP和多分辨率学习组合算法 | 第70-72页 |
| 4．4．3 小波函数的选择 | 第72-74页 |
| 4．5 股价指数 | 第74-78页 |
| 4．5．1 股价指数计算方法 | 第75-77页 |
| 4．5．2 深证综合指数 | 第77-78页 |
| 4．6 实验结果分析 | 第78-82页 |
| 4．7 本章小结 | 第82-83页 |
| 第5章 基于小波分解与重构的神经网络预测方法及应用 | 第83-97页 |
| 5．1 引言 | 第83-84页 |
| 5．2 信号的小波分解与重构 | 第84-86页 |
| 5．3 预测模型 | 第86-88页 |
| 5．4 实验结果 | 第88-92页 |
| 5．5 Mallat算法实现中一些问题 | 第92-96页 |
| 5．6 本章小结 | 第96-97页 |
| 结论 | 第97-98页 |
| 参考文献 | 第98-109页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第109-111页 |
| 致谢 | 第111-112页 |
| 个人简历 | 第112页 |