| 摘要 | 第1-9页 |
| 第一章 绪论 | 第9-16页 |
| 1．1 预测方法与模型概述 | 第10-12页 |
| 1．2 预测技术的发展和现状 | 第12-14页 |
| 1．3 本文的主要工作和内容安排 | 第14-16页 |
| 1．3．1 本文的主要工作 | 第14页 |
| 1．3．2 内容安排 | 第14-16页 |
| 第二章 线性时间序列预测模型 | 第16-24页 |
| 2．1 时间序列预测模型概述 | 第16-17页 |
| 2．1．1 时间序列方法的基本概念 | 第16页 |
| 2．1．2 时间序列建模的主要方法 | 第16-17页 |
| 2．2 时间序列预测模型的建立 | 第17-24页 |
| 2．2．1 BJ方法的本质 | 第17-18页 |
| 2．2．2 传统 B-J建模方法的特点 | 第18页 |
| 2．2．3 时间序列模型数据的采集 | 第18-19页 |
| 2．2．4 用 AUTOREG过程对小样本的数据进行短期预测 | 第19-21页 |
| 2．2．5 用 ARIMA模型进行股价预测 | 第21-23页 |
| 2．2．6 线性时间序列预测方法的结论 | 第23-24页 |
| 第三章 BP神经网络及其股价预测 | 第24-38页 |
| 3．1 BP神经网络的构成 | 第25-29页 |
| 3．1．1 神经元 | 第25页 |
| 3．1．2 拓朴结构 | 第25-26页 |
| 3．1．3 BP神经网络的训练 | 第26-27页 |
| 3．1．4 BP算法的误差传播分析 | 第27-29页 |
| 3．2 改进的 BP算法 | 第29-33页 |
| 3．2．1 BP算法存在的局限性 | 第29页 |
| 3．2．2 消除样本顺序的 BP算法流程 | 第29-32页 |
| 3．2．3 基于数值优化方法的网络训练算法 | 第32-33页 |
| 3．3 BP算法的 MATLAB实现 | 第33-34页 |
| 3．4 BP神经网络的股价预测 | 第34-38页 |
| 3．4．1 网络结构的设计 | 第35页 |
| 3．4．2 数据的归一化处理 | 第35-36页 |
| 3．4．3 预测结果分析 | 第36-38页 |
| 第四章 小波神经网络及其预测方法 | 第38-51页 |
| 4．1 小波变换理论 | 第38-39页 |
| 4．2 小波神经网络结构 | 第39-43页 |
| 4．2．1 小波神经网络分类 | 第39-41页 |
| 4．2．2 小波神经网络的计算过程 | 第41-43页 |
| 4．3 小波神经网络的权值和伸缩、平移因子初始化 | 第43-47页 |
| 4．3．1 输入层到隐层的初始权值W_ji的初始化 | 第44页 |
| 4．3．2 小波神经网络的平移和伸缩因子的初始设置 | 第44-45页 |
| 4．3．3 隐层到输出层的参数权值的初始设置 | 第45页 |
| 4．3．4 小波神经元个数n的选择 | 第45-46页 |
| 4．3．5 自适应步长训练权值兄 | 第46-47页 |
| 4．4 小波神经网络用于证券预测 | 第47-51页 |
| 4．4．1 小波神经网络模型构造 | 第47页 |
| 4．4．2 基于小波神经网络模型的证券数据预处理 | 第47-48页 |
| 4．4．3 预测结果分析 | 第48-51页 |
| 第五章 总结与展望 | 第51-54页 |
| 5．1 总结 | 第51-52页 |
| 5．2 展望 | 第52-54页 |
| 参考文献 | 第54-56页 |
