| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第一章 绪论 | 第11-20页 |
| ·研究背景及意义 | 第11-12页 |
| ·国内外研究综述 | 第12-18页 |
| ·股指预测模型与方法 | 第12-13页 |
| ·神经网络模型及其优化 | 第13-14页 |
| ·智能仿生优化方法 | 第14-16页 |
| ·仿生优化算法应用研究 | 第16-18页 |
| ·研究方法 | 第18页 |
| ·研究内容 | 第18-20页 |
| 第二章 股指预测的特点及预测模型 | 第20-33页 |
| ·股指预测的特点 | 第20-21页 |
| ·股指波动的特点 | 第20页 |
| ·股指预测模型的特点 | 第20-21页 |
| ·基于非统计原理的股指预测模型 | 第21-30页 |
| ·神经网络预测模型 | 第21-25页 |
| ·支持向量机预测模型 | 第25-30页 |
| ·仿生优化算法 | 第30-32页 |
| ·遗传算法 | 第30-31页 |
| ·粒子群算法 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第三章 行为金融指标体系构建及因果检验 | 第33-52页 |
| ·投资行为影响因素 | 第33-35页 |
| ·股价行为研究 | 第33页 |
| ·投资者情绪指标研究 | 第33-35页 |
| ·影响投资行为的指标选取及筛选 | 第35-40页 |
| ·影响投资行为的指标选取 | 第35-37页 |
| ·影响投资行为的指标筛选 | 第37-40页 |
| ·影响投资行为指标的因子分析 | 第40-43页 |
| ·提取公共因子 | 第40-43页 |
| ·计算因子得分 | 第43页 |
| ·行为金融因子格兰杰因果分析 | 第43-50页 |
| ·ADF 检验 | 第43-44页 |
| ·格兰杰检验和分析 | 第44-50页 |
| ·行为金融指标体系构建 | 第50页 |
| ·本章小结 | 第50-52页 |
| 第四章 基于 SVM 和仿生算法的股指预测模型构建 | 第52-66页 |
| ·股指预测的可行性分析 | 第52页 |
| ·股指预测与支持向量机 | 第52页 |
| ·行为金融指标与支持向量机 | 第52页 |
| ·核函数的确定 | 第52-59页 |
| ·三种常用的核函数 | 第53-54页 |
| ·核函数确定流程 | 第54页 |
| ·核函数对比评价指标 | 第54-55页 |
| ·实验对比和结果分析 | 第55-59页 |
| ·模型参数的优化选取 | 第59-65页 |
| ·参数优化实验流程 | 第59-60页 |
| ·模型参数范围的确定 | 第60-62页 |
| ·性能评价方法和评价指标 | 第62-63页 |
| ·基于遗传算法的参数确定 | 第63-64页 |
| ·基于粒子群算法的参数确定 | 第64页 |
| ·优化实验结果比较 | 第64-65页 |
| ·预测模型的构建 | 第65页 |
| ·本章小结 | 第65-66页 |
| 第五章 行为金融视角下股指预测方法应用研究 | 第66-75页 |
| ·应用实验设计 | 第66-68页 |
| ·样本数据准备 | 第66页 |
| ·应用流程设计 | 第66-67页 |
| ·性能指标设计 | 第67-68页 |
| ·应用测试结果 | 第68-72页 |
| ·基于支持向量机的股指预测 | 第68-69页 |
| ·基于 BP 神经网络的股指预测 | 第69-71页 |
| ·基于 Elman 神经网络的股指预测 | 第71-72页 |
| ·输出结果对比与分析 | 第72-74页 |
| ·本章小结 | 第74-75页 |
| 总结 | 第75-77页 |
| 参考文献 | 第77-82页 |
| 附录 | 第82-90页 |
| 攻读硕士学位期间取得的研究成果 | 第90-91页 |
| 致谢 | 第91-92页 |
| 答辩委员会对论文的评定意见 | 第92页 |