| 创新点摘要 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-14页 |
| 第1章 绪论 | 第14-24页 |
| ·选题的背景与意义 | 第14-16页 |
| ·国内外相关研究 | 第16-21页 |
| ·金融时间序列模型 | 第16-18页 |
| ·支持向量机算法 | 第18-20页 |
| ·基于支持向量机的金融时间序列预测 | 第20-21页 |
| ·研究目标和主要研究内容 | 第21-22页 |
| ·本文的组织结构 | 第22-24页 |
| 第2章 统计学习与支持向量机 | 第24-34页 |
| ·引言 | 第24页 |
| ·机器学习理论 | 第24-28页 |
| ·机器学习问题综述 | 第24-25页 |
| ·统计学习理论 | 第25-27页 |
| ·可能近似正确学习模型 | 第27-28页 |
| ·支持向量分类机理论 | 第28-32页 |
| ·线性支持向量分类机的基本理论 | 第29-31页 |
| ·非线性支持向量分类机的基本理论 | 第31-32页 |
| ·支持向量回归机的基本理论 | 第32页 |
| ·小结 | 第32-34页 |
| 第3章 基于相空间重构和支持向量机的金融时间序列预测研究 | 第34-47页 |
| ·多变量时间序列的相空间重构 | 第35-37页 |
| ·确定嵌入维数 | 第35-36页 |
| ·改进的嵌入维数确定方法 | 第36页 |
| ·最大Lyapunov指数的计算 | 第36-37页 |
| ·多变量时间序列的非线性预测算法研究 | 第37-46页 |
| ·构建小波核函数 | 第38-39页 |
| ·回归分析 | 第39-40页 |
| ·实验数据与预处理 | 第40-44页 |
| ·性能指标和结果分析 | 第44-46页 |
| ·小结 | 第46-47页 |
| 第4章 LSSVR-CARRX模型算法研究 | 第47-57页 |
| ·最小二乘支持向量机的非线性回归算法 | 第47-49页 |
| ·基于LSSVR的非线性CARRX模型 | 第49-50页 |
| ·预测性能评价标准 | 第50-51页 |
| ·实证研究 | 第51-56页 |
| ·数据的选取与描述 | 第51-53页 |
| ·网络学习及预测 | 第53-54页 |
| ·数值的结果分析 | 第54-56页 |
| ·小结 | 第56-57页 |
| 第5章 基于神经网络和相关向量机的股票市场预测算法研究 | 第57-75页 |
| ·Hopfiled神经网络概述 | 第57-59页 |
| ·Hopfiled神经网络的基本原理 | 第59-62页 |
| ·Hopfiled神经网络中神经元的工作原理 | 第60页 |
| ·优化计算中Hopfield神经网络的应用 | 第60-62页 |
| ·相关向量机 | 第62-68页 |
| ·Sparse Bayesian Learning(SBL)理论 | 第64-65页 |
| ·仿真计算 | 第65-66页 |
| ·改进的相关向量机算法 | 第66-68页 |
| ·基于Hopfiled神经网络改进的相关向量机预测算法实证研究 | 第68-74页 |
| ·数据预处理 | 第69页 |
| ·设定网络结构 | 第69页 |
| ·网络的训练和预测 | 第69-74页 |
| ·小结 | 第74-75页 |
| 第6章 基于支持向量回归的金融时间序列预测算法研究 | 第75-90页 |
| ·支持向量机理论的概述 | 第75-76页 |
| ·支持向量回归机的原理 | 第76-79页 |
| ·支持向量机的线性回归 | 第77-78页 |
| ·支持向量机的非线性回归 | 第78页 |
| ·核函数类 | 第78-79页 |
| ·损失函数类 | 第79页 |
| ·支持向量机回归算法 | 第79-81页 |
| ·改进的支持向量回归机算法 | 第81-83页 |
| ·算法应用研究 | 第83-89页 |
| ·基于SAL-SVR的外汇汇率预测实证研究 | 第83-86页 |
| ·基于SAL-SVR的基金预测实证研究 | 第86-89页 |
| ·本章小结 | 第89-90页 |
| 第7章 结论与展望 | 第90-93页 |
| ·本文的主要研究工作和成果 | 第90-91页 |
| ·今后的工作展望 | 第91-93页 |
| 参考文献 | 第93-105页 |
| 攻读学位期间所取得的研究成果 | 第105-106页 |
| 致谢 | 第106-107页 |
| 作者简介 | 第107页 |
