| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-14页 |
| ·研究背景 | 第8-9页 |
| ·证券投资风险管理 | 第9-10页 |
| ·本文研究意义 | 第10-11页 |
| ·本文的研究内容及创新点 | 第11-12页 |
| ·本文的主要研究内容 | 第11页 |
| ·本文的主要创新点 | 第11-12页 |
| ·本文的研究框架 | 第12-14页 |
| 第二章 文献综述 | 第14-23页 |
| ·投资风险管理方法国内外研究现状 | 第14-16页 |
| ·传统的风险管理理论 | 第14页 |
| ·古典风险管理理论 | 第14-15页 |
| ·现代的风险管理理论 | 第15-16页 |
| ·市场风险度量方法国内外研究现状 | 第16-19页 |
| ·波动率模型 | 第17页 |
| ·VaR方法 | 第17-18页 |
| ·CVaR方法 | 第18-19页 |
| ·支持向量机（SVM,Support Vector Machine） | 第19-23页 |
| ·支持向量机的发展 | 第19页 |
| ·SVM在经济学中的应用 | 第19-20页 |
| ·支持向量机训练算法 | 第20-21页 |
| ·SVM 模型选择的研究 | 第21-23页 |
| 第三章 支持向量机理论 | 第23-33页 |
| ·引言 | 第23页 |
| ·统计学习理论 | 第23-27页 |
| ·机器学习 | 第23-24页 |
| ·VC维 | 第24-25页 |
| ·结构风险最小化 | 第25-26页 |
| ·损失函数 | 第26-27页 |
| ·支持向量机 | 第27-30页 |
| ·支持向量机思想 | 第27页 |
| ·支持向量回归机 | 第27-28页 |
| ·常用核函数 | 第28-29页 |
| ·模型参数的影响与优化 | 第29-30页 |
| ·支持向量机的训练算法 | 第30-32页 |
| ·SVM的训练问题 | 第30-31页 |
| ·LS-SVM训练算法 | 第31-32页 |
| ·小结 | 第32-33页 |
| 第四章 基于SVM的证券价格预测与风险识别研究 | 第33-40页 |
| ·引言 | 第33页 |
| ·基于SVM的上证综指预测 | 第33-35页 |
| ·实验数据选取 | 第33页 |
| ·数据预处理 | 第33-34页 |
| ·支持向量机模型选择 | 第34页 |
| ·预测结果分析 | 第34-35页 |
| ·基于混沌时间序列的SVM预报模型 | 第35-37页 |
| ·引言 | 第35页 |
| ·基于SVM的混沌时间序列模型 | 第35-36页 |
| ·Henon混沌时间序列 | 第36-37页 |
| ·基于混沌时间序列的基金价格预测 | 第37-38页 |
| ·华夏大盘精选基金 | 第37-38页 |
| ·预测结果分析 | 第38页 |
| ·小结 | 第38-40页 |
| 第五章 基于W-SVM的VaR计算新方法 | 第40-53页 |
| ·引言 | 第40页 |
| ·基于SVM的概率密度估计 | 第40-43页 |
| ·概率密度估计问题 | 第40-41页 |
| ·概率密度估计的SVM方法 | 第41页 |
| ·仿真实验 | 第41-43页 |
| ·基于W-SVM的概率密度估计 | 第43-46页 |
| ·加权支持向量机 | 第43页 |
| ·概率密度估计的W-SVM方法 | 第43-44页 |
| ·加权模型的选取 | 第44-45页 |
| ·仿真实验 | 第45-46页 |
| ·基于W-SVM的VaR计算 | 第46-47页 |
| ·VaR的定义 | 第46页 |
| ·投资组合的VaR值计算 | 第46-47页 |
| ·加权模型 | 第47页 |
| ·实证分析 | 第47-51页 |
| ·数据选取与预处理 | 第47-49页 |
| ·W-SVM模型建立 | 第49页 |
| ·基于W-SVM的VaR模型评价 | 第49-51页 |
| ·小结 | 第51-53页 |
| 第六章 总结与展望 | 第53-54页 |
| ·本文工作总结 | 第53页 |
| ·本文工作展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 攻读硕士研究生期间发表的论文 | 第58-59页 |