基于场景叠加与支持向量机的期货指数预测
| 摘要 | 第2-4页 |
| ABSTRACT | 第4-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 选题背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状综述 | 第10-12页 |
| 1.2.1 传统计量学的方法 | 第10-11页 |
| 1.2.2 智能模型的方法 | 第11页 |
| 1.2.3 组合模型预测方法 | 第11-12页 |
| 1.2.4 现有预测方法的总结与改进 | 第12页 |
| 1.3 本文结构与研究内容 | 第12-16页 |
| 2 场景叠加的概念、多维近邻比较法及其它相关理论 | 第16-18页 |
| 2.1 场景叠加概念 | 第16-17页 |
| 2.2 多维近邻比较法 | 第17-18页 |
| 3 序列数据平滑模型效果对比及选择 | 第18-31页 |
| 3.1 拟合模型的确定及模型应用方法 | 第18-20页 |
| 3.1.1 分析对象与拟合模型 | 第18-19页 |
| 3.1.2 关于拟合模型的应用方法 | 第19-20页 |
| 3.2 模型处理 | 第20-28页 |
| 3.2.1 移动平均模型 | 第20-23页 |
| 3.2.2 指数平滑模型 | 第23-26页 |
| 3.2.3 人工神经网络模型 | 第26-28页 |
| 3.3 模型比较 | 第28-30页 |
| 3.3.1 典型的模型评价指标 | 第28页 |
| 3.3.2 基本的模型比较 | 第28-29页 |
| 3.3.3 改进的模型比较策略 | 第29-30页 |
| 3.4 本章小结 | 第30-31页 |
| 4 场景分析及尖峰场景特征向量设计 | 第31-51页 |
| 4.1 影响收益率的场景因素 | 第31-34页 |
| 4.2 尖峰场景的参数确定 | 第34-36页 |
| 4.2.1 尖峰场景形态与拟合模型 | 第34-35页 |
| 4.2.2 尖峰拐点定义、参数与评价 | 第35页 |
| 4.2.3 尖峰拐点查找算法 | 第35-36页 |
| 4.3 不同模型的尖峰点状况 | 第36-48页 |
| 4.3.1 移动平均模型的尖峰点状况 | 第36-42页 |
| 4.3.2 指数平滑模型的尖峰点状况 | 第42-46页 |
| 4.3.3 斜率阈值范围与选择 | 第46-48页 |
| 4.4 尖峰拐点特征向量的设计 | 第48-49页 |
| 4.5 本章小结 | 第49-51页 |
| 5 基于支持向量机等模型的预测建模 | 第51-61页 |
| 5.1 特征向量的计算 | 第51-52页 |
| 5.2 基于决策树模型的预测建模 | 第52-54页 |
| 5.2.1 不剪枝决策树模型构建与预测结果 | 第52-53页 |
| 5.2.3 剪枝决策树模型构建与预测结果 | 第53-54页 |
| 5.3 基于支持向量机模型的预测 | 第54-57页 |
| 5.4 决策树模型与支持向量机模型的比较 | 第57-60页 |
| 5.5 本章小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 后记 | 第66-67页 |
