| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 1 绪论 | 第13-20页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-18页 |
| 1.2.1 上市公司财务数据分类评价研究的国内外研究现状 | 第14-16页 |
| 1.2.2 股票价格预测领域的国内外研究现状 | 第16-18页 |
| 1.3 主要研究内容 | 第18-19页 |
| 1.4 本文组织结构 | 第19-20页 |
| 2 相关知识介绍 | 第20-33页 |
| 2.1 因子分析法原理 | 第20-21页 |
| 2.1.1 因子分析法基本模型 | 第20页 |
| 2.1.2 因子分析法主要步骤 | 第20-21页 |
| 2.2 K均值聚类算法原理 | 第21-22页 |
| 2.3 BP神经网络算法 | 第22-24页 |
| 2.4 支持向量机算法 | 第24-26页 |
| 2.5 黄金分割优化算法 | 第26-29页 |
| 2.6 粒子群优化算法 | 第29-31页 |
| 2.6.1 粒子群优化算法 | 第29页 |
| 2.6.2 改进型粒子群算法 | 第29-31页 |
| 2.6.3 活跃算子粒子群算法 | 第31页 |
| 2.7 Boruta算法 | 第31-32页 |
| 2.8 本章小结 | 第32-33页 |
| 3 基于改进型因子分析法的综合分类评价 | 第33-43页 |
| 3.1 数据来源于样本选取 | 第33-35页 |
| 3.2 基于改进型因子分析和K均值聚类的上市公司财务评价 | 第35-42页 |
| 3.2.1 改进型因子分析法分析上市公司财务能力 | 第35-40页 |
| 3.2.2 基于K均值聚类分析我国上市公司财务能力 | 第40-42页 |
| 3.3 本章小结 | 第42-43页 |
| 4 基于黄金分割算法和BP神经网络的股价预测 | 第43-48页 |
| 4.1 黄金分割优化BP神经网络算法描述 | 第43页 |
| 4.2 实验及结果 | 第43-47页 |
| 4.3 本章小结 | 第47-48页 |
| 5 基于特征选择和粒子群优化支持向量机的股票收益率研究 | 第48-54页 |
| 5.1 B-APSO-SVM算法描述 | 第48页 |
| 5.2 实验及结果分析 | 第48-53页 |
| 5.2.1 股票收益率信号数据 | 第48-49页 |
| 5.2.2 实验结果 | 第49-53页 |
| 5.3 本章小结 | 第53-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 全文总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 参考文献 | 第56-60页 |
| 作者简介 | 第60页 |
