| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题来源 | 第9页 |
| 1.2 研究背景及意义 | 第9-10页 |
| 1.3 相关领域国内外研究现状 | 第10-16页 |
| 1.3.1 传统金融预测国内外研究现状 | 第10-12页 |
| 1.3.2 人工智能金融预测国内外研究现状 | 第12-14页 |
| 1.3.3 金融特征提取方法国内外研究现状 | 第14-16页 |
| 1.4 论文主要研究内容和组织结构 | 第16-19页 |
| 1.4.1 主要研究内容 | 第16-17页 |
| 1.4.2 论文组织结构 | 第17-19页 |
| 第2章 张量与金融时间序列预测方法研究 | 第19-31页 |
| 2.1 张量理论与运算 | 第19-22页 |
| 2.2 金融时间序列特征提取算法 | 第22-26页 |
| 2.2.1 主成分分析法 | 第22-23页 |
| 2.2.2 核主成分分析法 | 第23-25页 |
| 2.2.3 二维主成分分析法 | 第25-26页 |
| 2.3 金融时间序列预测模型 | 第26-30页 |
| 2.3.1 径向基神经网络 | 第26-28页 |
| 2.3.2 支持向量机 | 第28-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第3章 基于(2D)2PCA与PCA相结合的金融时间序列预测 | 第31-46页 |
| 3.1 双向2DPCA算法 | 第31-32页 |
| 3.2 (2D)2PCA算法 | 第32-34页 |
| 3.3 (2D)2PCA与PCA的结合算法 | 第34-35页 |
| 3.3.1 算法分析 | 第34页 |
| 3.3.2 算法流程及步骤 | 第34-35页 |
| 3.4 证券技术指标的选取 | 第35-37页 |
| 3.5 性能评价标准 | 第37-38页 |
| 3.6 实验结果与分析 | 第38-45页 |
| 3.6.1 深证收盘指数预测 | 第39-42页 |
| 3.6.2 道琼斯收盘指数预测 | 第42-45页 |
| 3.7 本章小结 | 第45-46页 |
| 第4章 基于MPCA的金融时间序列预测及改进 | 第46-63页 |
| 4.1 多线性主成分分析法(MPCA) | 第46-49页 |
| 4.1.1 MPCA算法的原理 | 第46-47页 |
| 4.1.2 MPCA算法的实现 | 第47-49页 |
| 4.2 基于MPCA的加权改进算法 | 第49-52页 |
| 4.2.1 算法分析 | 第49-50页 |
| 4.2.2 改进策略 | 第50-51页 |
| 4.2.3 算法流程及步骤 | 第51-52页 |
| 4.3 数据模型的构建 | 第52-53页 |
| 4.4 实验结果与分析 | 第53-62页 |
| 4.4.1 恒生收盘指数预测 | 第54-58页 |
| 4.4.2 日经225收盘指数预测 | 第58-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-65页 |
| 5.1 全文工作总结 | 第63-64页 |
| 5.2 未来工作展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士学位期间的研究成果 | 第70页 |