证券时间序列中的信息奇异点研究与建模
| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第1章 绪论 | 第7-14页 |
| ·研究背景 | 第7-8页 |
| ·国内外研究现状 | 第8-11页 |
| ·信息奇异点研究意义 | 第11-13页 |
| ·论文研究的主要内容 | 第13-14页 |
| 第2章 时间序列模型、神经网络模型 | 第14-19页 |
| ·AR、MA和ARIMA时间序列模型 | 第14-15页 |
| ·神经网络模型 | 第15-16页 |
| ·混合模型 | 第16-18页 |
| ·本章小结 | 第18-19页 |
| 第3章 时间序列模型、神经网络模型的拟合 | 第19-35页 |
| ·一组实际数据 | 第19-24页 |
| ·AR拟合 | 第24-27页 |
| ·MA拟合 | 第27-29页 |
| ·ARMA拟合 | 第29-31页 |
| ·BP神经网络拟合 | 第31-34页 |
| ·本章小结 | 第34-35页 |
| 第4章 拟合误差分析 | 第35-49页 |
| ·变化率空间 | 第35-36页 |
| ·涨跌幅与相对拟合误差方程的推导 | 第36-38页 |
| ·变化率空间分析 | 第38-43页 |
| ·实例分析 | 第43-48页 |
| ·本章小结 | 第48-49页 |
| 第5章 误差中的奇异点现象 | 第49-56页 |
| ·奇异点的定义 | 第49-52页 |
| ·奇异点的判则 | 第52-54页 |
| ·奇异点现象 | 第54-55页 |
| ·本章小结 | 第55-56页 |
| 第6章 证券信息奇异点模型 | 第56-82页 |
| ·建模思想 | 第56-57页 |
| ·证券信息奇异点分析 | 第57-67页 |
| ·证券信息分析的意义 | 第57-58页 |
| ·证券信息的影响强度 | 第58-60页 |
| ·证券信息奇异点 | 第60-67页 |
| ·模型算法 | 第67-71页 |
| ·基本算法流程 | 第67-69页 |
| ·AR-SMSI模型算法 | 第69页 |
| ·MA-SMSI模型算法 | 第69-70页 |
| ·ARMA-SMSI模型算法 | 第70页 |
| ·BP-SMSI模型算法 | 第70-71页 |
| ·奇异点的拟合 | 第71-76页 |
| ·拟合评价标准 | 第71-72页 |
| ·拟合效果的改进 | 第72-76页 |
| ·模型创新点 | 第76-81页 |
| ·本章小结 | 第81-82页 |
| 第7章 结论与展望 | 第82-84页 |
| ·本文工作 | 第82页 |
| ·本文贡献 | 第82-83页 |
| ·不足和展望 | 第83-84页 |
| 致谢 | 第84-85页 |
| 参考文献 | 第85-90页 |
| 附录A 攻读学位期间进行的工作 | 第90-91页 |
| 附录B 术语 | 第91-94页 |
