| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 引言 | 第7-11页 |
| 第一节 研究背景和意义 | 第7-8页 |
| 第二节 国内外研究现状 | 第8-9页 |
| 第三节 本文主要内容 | 第9-11页 |
| 一、本文主要内容 | 第9-10页 |
| 二、本文创新点 | 第10-11页 |
| 第二章 理论介绍 | 第11-23页 |
| 第一节 主成分分析 | 第11-13页 |
| 一、主成分分析原理 | 第11-12页 |
| 二、主成分分析流程 | 第12-13页 |
| 第二节 BP神经网络（BPNN） | 第13-15页 |
| 一、BP神经网络算法原理 | 第13-14页 |
| 二、BPNN模型算法流程 | 第14-15页 |
| 第三节 思维进化算法 | 第15-16页 |
| 一、思维进化算法原理 | 第15-16页 |
| 二、思维进化算法流程 | 第16页 |
| 第四节 多元线性回归 | 第16-18页 |
| 一、多元线性回归原理 | 第16-18页 |
| 二、多元线性回归流程 | 第18页 |
| 第五节 随机森林 | 第18-21页 |
| 一、随机森林算法原理 | 第18-19页 |
| 二、随机森林算法流程 | 第19-20页 |
| 三、随机森林算法的优缺点 | 第20-21页 |
| 第六节 交叉验证 | 第21-23页 |
| 一、交叉验证原理 | 第21-23页 |
| 第三章 实证分析 | 第23-35页 |
| 第一节 数据来源 | 第23-24页 |
| 第二节 基于PCA-MLR-MEABP模型的上证指数预测 | 第24-28页 |
| 一、PCA-MLR-MEABP模型介绍 | 第24-26页 |
| 二、PCA-MLR-MEABP模型实现结果 | 第26-28页 |
| 第三节 基于CV-RF模型的上证指数预测 | 第28-30页 |
| 一、基于CV-RF模型的上证指数预测流程 | 第28-29页 |
| 二、基于CV-RF模型的上证指数预测实现结果 | 第29-30页 |
| 第四节 PCA-MLR-MEABP模型效果—真实值与预测值时序对比 | 第30-31页 |
| 第五节 模型评价 | 第31-35页 |
| 一、平均绝对百分比误差（Mean Absolute Percentage Error，MAPE） | 第31-32页 |
| 二、DA统计量 | 第32页 |
| 三、Theil's U统计量 | 第32页 |
| 四、ARV统计量 | 第32-35页 |
| 第四章 结论 | 第35-37页 |
| 第一节 本文结论 | 第35-36页 |
| 第二节 总结和展望 | 第36-37页 |
| 一、总结 | 第36页 |
| 二、展望 | 第36-37页 |
| 参考文献 | 第37-39页 |
| 致谢 | 第39-40页 |
| 附录 | 第40页 |
