基于人工智能算法的上海银行间同业拆放利率预测
| 中文摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 引言 | 第7-11页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 研究现状 | 第8-9页 |
| 1.3 本文的研究内容和方法 | 第9-10页 |
| 1.4 创新之处 | 第10-11页 |
| 第二章 基于人工智能的隔夜Shibor预测 | 第11-24页 |
| 2.1 BP神经网络预测模型 | 第11-16页 |
| 2.1.1 BP神经网络基本原理 | 第11-13页 |
| 2.1.2 实证分析 | 第13-16页 |
| 2.2 小波神经网络预测模型 | 第16-20页 |
| 2.2.1 小波神经网络基本原理 | 第16-17页 |
| 2.2.2 预测效果分析 | 第17-20页 |
| 2.3 布谷鸟搜索优化的小波神经网络预测模型 | 第20-23页 |
| 2.3.1 布谷鸟搜索（CS）理论基础 | 第20-21页 |
| 2.3.2 实验结果分析 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于利率影响因素的隔夜Shibor预测 | 第24-37页 |
| 3.1 Shibor的影响因素 | 第24-27页 |
| 3.2 变量选取 | 第27-28页 |
| 3.3 回归型支持向量机（SVR）预测模型 | 第28-32页 |
| 3.4 PSO-SVR预测模型 | 第32-35页 |
| 3.4.1 粒子群算法（PSO） | 第33-34页 |
| 3.4.2 PSO-SVR预测模型仿真实验 | 第34-35页 |
| 3.5 本章小结 | 第35-37页 |
| 第四章 隔夜Shibor决策系统 | 第37-40页 |
| 4.1 决策系统框架设计 | 第37-38页 |
| 4.2 系统主要应用 | 第38-40页 |
| 第五章 结论与展望 | 第40-42页 |
| 5.1 主要结论 | 第40-41页 |
| 5.2 研究展望 | 第41-42页 |
| 参考文献 | 第42-44页 |
| 致谢 | 第44页 |
