| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 第一章 绪论 | 第10-17页 |
| ·研究背景及意义 | 第10-11页 |
| ·股票预测的研究现状 | 第11-13页 |
| ·神经网络的研究现状 | 第13-15页 |
| ·本文的主要工作 | 第15-17页 |
| 第二章 股票与神经网络概述 | 第17-28页 |
| ·股票预测背景知识 | 第17-22页 |
| ·股票的基本特征 | 第17-18页 |
| ·股票预测的评价指标 | 第18-20页 |
| ·股票预测的主要方法 | 第20-22页 |
| ·人工神经网络 | 第22-27页 |
| ·人工神经网络简介 | 第22-23页 |
| ·经典网络机制模型 | 第23-27页 |
| ·小结 | 第27-28页 |
| 第三章 改进的BP神经网络模型 | 第28-40页 |
| ·BP神经网络 | 第28-34页 |
| ·BP神经网络的学习规则 | 第28-31页 |
| ·BP神经网络学习过程 | 第31-33页 |
| ·BP算法的不足 | 第33-34页 |
| ·BP算法的改进 | 第34-37页 |
| ·附加动量法 | 第35-36页 |
| ·学习速率自适应调整 | 第36-37页 |
| ·实验结果及分析 | 第37-39页 |
| ·小结 | 第39-40页 |
| 第四章 基于GA和PCA-GA算法的BP神经网络模型 | 第40-51页 |
| ·GA算法 | 第40-44页 |
| ·GA算法的基本原理 | 第40-41页 |
| ·遗传算法运算流程 | 第41-44页 |
| ·主成分分析 | 第44-48页 |
| ·主成分分析法的基本原理 | 第44-45页 |
| ·主成分分析法的推导 | 第45-48页 |
| ·基于PCA和GA算法的BP神经网络 | 第48页 |
| ·实验结果及分析 | 第48-50页 |
| ·小结 | 第50-51页 |
| 第五章 基于PCA和SVM的股票预测模型 | 第51-59页 |
| ·支持向量机 | 第51-55页 |
| ·支持向量机的基本原理 | 第51-54页 |
| ·参数寻优 | 第54-55页 |
| ·基于PCA-SVM的股票预测模型 | 第55页 |
| ·实验及结果分析 | 第55-57页 |
| ·小结 | 第57-59页 |
| 第六章 总结和展望 | 第59-60页 |
| ·总结 | 第59页 |
| ·展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 读硕士学位期间发表的论文 | 第64-65页 |
| 致谢 | 第65-66页 |