| 摘要 | 第7-8页 |
| abstract | 第8-9页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 国内外研究发展现状 | 第13-17页 |
| 1.2.1 国内外研究现状 | 第13-16页 |
| 1.2.2 国内外研究现状分析 | 第16-17页 |
| 1.3 研究内容 | 第17页 |
| 1.4 文章结构 | 第17-19页 |
| 第2章 相关理论知识介绍 | 第19-27页 |
| 2.1 Hadoop平台 | 第19-22页 |
| 2.1.1 HDFS | 第19-20页 |
| 2.1.2 MapReduce | 第20-21页 |
| 2.1.3 Hive | 第21-22页 |
| 2.2 R语言 | 第22页 |
| 2.3 R+Hadoop+Hive平台搭建 | 第22-25页 |
| 2.3.1 数据处理平台设计 | 第22-23页 |
| 2.3.2 Hadoop平台搭建 | 第23-25页 |
| 2.3.3 Hive安装配置 | 第25页 |
| 2.4 数据爬虫技术 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 网络舆情指数测度 | 第27-48页 |
| 3.1 基于机器学习法的网络舆情指数测度 | 第27-38页 |
| 3.1.1 预处理 | 第28页 |
| 3.1.2 文本量化处理 | 第28-33页 |
| 3.1.3 分类器 | 第33-38页 |
| 3.2 基于情感词典法测度网络舆情指数 | 第38-41页 |
| 3.2.1 情感词典构造 | 第38-40页 |
| 3.2.2 拓展情感词典集构造 | 第40-41页 |
| 3.3 网络舆情指数测度实现 | 第41-47页 |
| 3.3.1 数据来源 | 第41-42页 |
| 3.3.2 数据处理 | 第42-43页 |
| 3.3.3 基于机器学习的网络舆情指数测度实现 | 第43-44页 |
| 3.3.4 基于情感词典的网络舆情指数测度实现 | 第44-45页 |
| 3.3.5 网络舆情指数测度结果分析 | 第45-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 网络舆情与股票价格的相关分析 | 第48-57页 |
| 4.1 网络舆情与股票价格的同步相关性研究 | 第48-49页 |
| 4.2 网络舆情与股票价格的超前与滞后相关关系研究 | 第49-50页 |
| 4.3 VAR模型 | 第50-52页 |
| 4.3.1 协整分析 | 第51页 |
| 4.3.2 Granger因果检验 | 第51页 |
| 4.3.3 脉冲响应函数 | 第51-52页 |
| 4.3.4 方差分解 | 第52页 |
| 4.4 实证研究 | 第52-55页 |
| 4.4.1 网络舆情与股票价格的Granger检验 | 第52-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第5章 基于SVR的网络舆情对股票价格预测 | 第57-65页 |
| 5.1 支持向量回归机预测模型 | 第57-59页 |
| 5.1.1 工作流程 | 第57-58页 |
| 5.1.2 模型评价指标 | 第58-59页 |
| 5.2 网络舆情对股市收盘价走向预测 | 第59-64页 |
| 5.3 本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |
| 附录A 攻读学位期间发表的学术论文 | 第72页 |