| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-15页 |
| 1.1 研究背景 | 第10-11页 |
| 1.1.1 支持向量机研究背景 | 第10页 |
| 1.1.2 基金评价研究背景 | 第10-11页 |
| 1.2 研究现状 | 第11-13页 |
| 1.3 论文研究内容及意义 | 第13页 |
| 1.4 论文组织安排 | 第13-14页 |
| 1.5 论文创新点 | 第14-15页 |
| 2 支持向量机原理 | 第15-24页 |
| 2.1 统计学习理论基本定义 | 第15-18页 |
| 2.1.1 机器学习 | 第15-16页 |
| 2.1.2 ERM原则 | 第16-17页 |
| 2.1.3 VC维与SRM准则 | 第17-18页 |
| 2.2 支持向量分类机基本算法 | 第18-23页 |
| 2.2.1 线性可分支持向量分类机 | 第18-20页 |
| 2.2.2 非线性可分支持向量分类机 | 第20-23页 |
| 2.3 本章小结 | 第23-24页 |
| 3 支持向量机多分类算法研究 | 第24-37页 |
| 3.1 直接多分类SVMs | 第24-25页 |
| 3.2 基于二分类的多分类SVMs | 第25-30页 |
| 3.2.1 “一对余”算法OAA-SVMs | 第25-26页 |
| 3.2.2 “一对一”算法OAO-SVMs | 第26-27页 |
| 3.2.3 纠错编码法ECC-SVMs | 第27-29页 |
| 3.2.4 有项无环图法DAG-SVMs | 第29页 |
| 3.2.5 层次多分类法H-SVMs | 第29-30页 |
| 3.3 多分类SVM算法性能比较 | 第30-32页 |
| 3.4 一种新的多分类SVM | 第32-35页 |
| 3.4.1 改进的二叉树多分类法 | 第32-33页 |
| 3.4.2 新算法定义及性能试验 | 第33-35页 |
| 3.5 本章小结 | 第35-37页 |
| 4 证券投资基金评价 | 第37-44页 |
| 4.1 证券投资基金评价概述 | 第37页 |
| 4.2 基金评价方法 | 第37-43页 |
| 4.2.1 国内基金常用评价方法 | 第38-39页 |
| 4.2.2 国外基金常用评价方法 | 第39-43页 |
| 4.3 本章小结 | 第43-44页 |
| 5 基于SVM的基金评价实证研究 | 第44-54页 |
| 5.1 试验工具及数据准备 | 第44-45页 |
| 5.1.1 试验配置 | 第44-45页 |
| 5.1.2 研究样本及数据来源说明 | 第45页 |
| 5.2 评级指标 | 第45-47页 |
| 5.3 实证分析 | 第47-54页 |
| 5.3.1 数据预处理 | 第47-48页 |
| 5.3.2 特征提取 | 第48-50页 |
| 5.3.3 OAA-SVMs与DT-SVMs算法试验 | 第50-51页 |
| 5.3.4 试验结果分析 | 第51-54页 |
| 6 总结与展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 学位论文数据集 | 第59页 |