| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 课题来源 | 第10页 |
| 1.2 研究背景与意义 | 第10-11页 |
| 1.3 国内外研究现状 | 第11-16页 |
| 1.3.1 特征提取方法国内外研究现状 | 第11-13页 |
| 1.3.2 噪声去除方法国内外研究现状 | 第13-15页 |
| 1.3.3 预测模型方法国内外研究现状 | 第15-16页 |
| 1.4 论文研究内容及结构 | 第16-19页 |
| 1.4.1 论文主要研究内容 | 第16-17页 |
| 1.4.2 论文结构安排 | 第17-19页 |
| 第2章 基于2DPCA+2DLPP算法的时间序列预测 | 第19-37页 |
| 2.1 金融时间序列数据采集 | 第19-22页 |
| 2.1.1 指标选取 | 第19-21页 |
| 2.1.2 滑动窗口 | 第21-22页 |
| 2.2 (2D)~2PCA算法在时间序列预测中的研究 | 第22-26页 |
| 2.2.1 2DPCA算法原理 | 第22-24页 |
| 2.2.2 (2D)~2PCA算法原理 | 第24-26页 |
| 2.3 改进的(2D)~2PCA算法 | 第26-28页 |
| 2.3.1 2DLPP | 第26-27页 |
| 2.3.2 2DPCA+2DLPP算法原理 | 第27-28页 |
| 2.4 RBF神经网络 | 第28-30页 |
| 2.5 性能评价指标 | 第30-31页 |
| 2.6 实验结果分析 | 第31-36页 |
| 2.6.1 上证指数实验分析 | 第32-34页 |
| 2.6.2 纳斯达克指数实验分析 | 第34-36页 |
| 2.7 本章小结 | 第36-37页 |
| 第3章 基于(2D)~2LPP算法时间序列预测 | 第37-53页 |
| 3.1 (2D)~2LPP算法 | 第37-38页 |
| 3.2 (2D)~2LPP-RBF预测模型构建 | 第38-40页 |
| 3.3 (2D)~2LPP-RBF模型实验结果分析 | 第40-52页 |
| 3.3.1 上证指数实验分析 | 第40-46页 |
| 3.3.2 纳斯达克指数实验分析 | 第46-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第4章 EEMD-LPP-SVM时间序列预测模型 | 第53-72页 |
| 4.1 EEMD分解的原理 | 第54-57页 |
| 4.1.1 EMD分解原理 | 第54-55页 |
| 4.1.2 EEMD基本原理及分解方法 | 第55-57页 |
| 4.2 LPP一维线性特征提取 | 第57-59页 |
| 4.3 SVM原理 | 第59-61页 |
| 4.4 融合LPP改进的EEMD-SVM模型 | 第61-64页 |
| 4.4.1 EEMD-LPP-SVM预测模型的构建 | 第61-62页 |
| 4.4.2 EEMD分解与重构 | 第62-63页 |
| 4.4.3 特征提取 | 第63-64页 |
| 4.4.4 回归预测 | 第64页 |
| 4.5 实验结果与分析 | 第64-71页 |
| 4.5.1 上证指数实验结果分析 | 第65-68页 |
| 4.5.2 纳斯达克指数实验结果分析 | 第68-71页 |
| 4.6 本章小结 | 第71-72页 |
| 第5章 总结与展望 | 第72-74页 |
| 5.1 论文总结 | 第72-73页 |
| 5.2 未来工作展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 作者在攻读硕士学位期间发表的学术论文及成果 | 第80页 |
