基于小波聚类算法的中国金融风险预测
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第12-19页 |
| 1.1 金融风险研究背景、目的与意义 | 第12-14页 |
| 1.1.1 选题背景 | 第12-13页 |
| 1.1.2 研究动机 | 第13页 |
| 1.1.3 选题来源 | 第13-14页 |
| 1.2 金融风险研究现状 | 第14-17页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-17页 |
| 1.3 研究内容 | 第17-19页 |
| 1.3.1 主要研究工作 | 第17页 |
| 1.3.2 论文创新点 | 第17页 |
| 1.3.3 论文章节安排 | 第17-19页 |
| 第2章 金融风险介绍 | 第19-28页 |
| 2.1 金融风险定义与特征 | 第19-21页 |
| 2.1.1 风险的定义 | 第19-20页 |
| 2.1.2 金融风险的特征 | 第20-21页 |
| 2.2 金融风险预警 | 第21-22页 |
| 2.2.1 金融风险预警的定义 | 第21-22页 |
| 2.2.2 金融风险预警的目标和原则 | 第22页 |
| 2.3 系统结构的建立 | 第22-27页 |
| 2.3.1 建立基本系统 | 第22-26页 |
| 2.3.2 预测风险参数系统 | 第26-27页 |
| 2.4 相关研究模型 | 第27页 |
| 2.5 小结 | 第27-28页 |
| 第3章 数据挖掘技术与混沌理论 | 第28-41页 |
| 3.1 数据挖掘的概述 | 第28-29页 |
| 3.2 数据挖掘在金融领域中的优势 | 第29-34页 |
| 3.2.1 传统金融数据分析特点与问题 | 第30页 |
| 3.2.2 常用分析方法 | 第30-31页 |
| 3.2.3 数据集聚类方法 | 第31-34页 |
| 3.3 数据挖掘相关技术 | 第34-39页 |
| 3.3.1 小波聚类算法 | 第34-36页 |
| 3.3.2 FCM聚类算法 | 第36-37页 |
| 3.3.3 RBF神经网络 | 第37-39页 |
| 3.4 混沌理论的应用 | 第39-40页 |
| 3.4.1 混沌理论的概念 | 第39页 |
| 3.4.2 Lyapunov指数估计 | 第39-40页 |
| 3.4.3 相空间重构理论 | 第40页 |
| 3.5 小结 | 第40-41页 |
| 第4章 聚类算法的实验分析 | 第41-48页 |
| 4.1 聚类的RBF神经网络预测模型 | 第41-42页 |
| 4.2 小波聚类方法的实现步骤 | 第42-43页 |
| 4.3 FCM聚类方法的实验步骤 | 第43-44页 |
| 4.4 相空间重构预测模型建立 | 第44-47页 |
| 4.4.1 混沌局域模型构建 | 第44-45页 |
| 4.4.2 嵌入维参数估计 | 第45-46页 |
| 4.4.3 嵌入延迟估计 | 第46页 |
| 4.4.4 拟合函数-RBF神经网络 | 第46-47页 |
| 4.5 小结 | 第47-48页 |
| 第5章 基于混合模型的实证分析 | 第48-57页 |
| 5.1 数据的归一化处理 | 第48-49页 |
| 5.2 嵌入延迟估计 | 第49-51页 |
| 5.3 聚类算法的混沌局域预测模型实证分析 | 第51-54页 |
| 5.3.1 FCM聚类算法的混沌神经网络预测模型 | 第51-52页 |
| 5.3.2 小波聚类算法的混沌神经网络预测模型 | 第52-53页 |
| 5.3.3 实证结果分析 | 第53-54页 |
| 5.4 小波聚类算法预警 | 第54-56页 |
| 5.5 小结 | 第56-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |
