基于多项式拟合与支持向量机的股票关键拐点预测

摘要	第1-6页
Abstract	第6-12页
第1章 绪论	第12-16页
·研究背景与意义	第12-13页
·国内外研究现状	第13-14页
·本文研究思路	第14页
·文章结构	第14-16页
第2章 股票技术分析与机器学习技术	第16-29页
·技术分析的前提	第16页
·常用技术分析的手段	第16-18页
·通道突破指标	第17页
·均线交易策略	第17-18页
·K线交易策略	第18页
·随机指标	第18页
·机器学习简介	第18-19页
·机器学习来源	第18-19页
·机器学习种类	第19页
·统计学习理论	第19-21页
·统计学习理论简介	第19页
·模型	第19-20页
·策略	第20-21页
·算法	第21页
·支持向量机	第21-29页
·原理	第21-22页
·函数间隔与几何间隔	第22-24页
·最大化间隔	第24页
·拉格朗日对偶法	第24-25页
·拉格朗日对偶法解决SVM最优化问题	第25-27页
·线性不可分数据的支持向量机算法	第27-29页
第3章 基于多项式拟合的离散数据趋势关键拐点识别	第29-43页
·实验意义	第29页
·传统的趋势拐点获取方法	第29-30页
·改进思路	第30-32页
·插值拟合与多项式拟合的比较选择	第31-32页
·基于多项式拟合的离散数据趋势拐点识别	第32-38页
·曲线拟合简介	第32页
·最小二乘法	第32-33页
·拟合算法	第33-34页
·关键拐点的确定	第34-35页
·实验选择最佳多项拟合方程阶数	第35-37页
·改进的面向大量数据的多项式拟合	第37-38页
·效果对比	第38-43页
·传统拐点识别方式	第38-40页
·基于多项式拟合的拐点识别	第40-41页
·效果对比	第41-43页
第4章 基于支持向量机的股票关键拐点预测	第43-61页
·实验架构	第43-44页
·历史数据抓取	第44页
·数据获取方式	第44页
·数据保存格式	第44页
·收盘价关键拐点识别	第44-47页
·识别收盘价关键拐点意义	第44页
·关键拐点识别过程	第44-45页
·验证关键拐点	第45-47页
·特征向量生成	第47-52页
·MACD指标特征	第47-49页
·KDJ指标	第49-51页
·换手率	第51页
·生成各个特征向量集合	第51-52页
·两类分类任务以及特征向量整合	第52-55页
·两类分类任务	第52-53页
·数据整合	第53页
·改进数据整合方式提高效率	第53-54页
·格式转换	第54-55页
·支持向量机核函数的选择	第55-56页
·核函数的选择	第55页
·径向基核函数	第55-56页
·交叉检验	第56页
·Hold-Out检验法	第56页
·交叉检验法	第56页
·基于GA的支持向量机参数优化	第56-59页
·常见的参数寻优方法	第56-57页
·遗传算法主要思想	第57-58页
·支持向量机参数寻优过程	第58页
·结果对比	第58-59页
·分类模型性能评价	第59-60页
·最优特征组合选择	第60-61页
第5章 结果分析	第61-66页
·关键拐点应用效果	第61-62页
·向上关键拐点	第61页
·向下关键拐点	第61-62页
·效果对比	第62-66页
·向上关键拐点效果对比	第62-64页
·卖出点应用效果	第64-66页
第6章 总结及展望	第66-68页
·本文所做的工作	第66-67页
·研究展望	第67-68页
参考文献	第68-71页
作者简介以及在学期间取得的科研成果	第71-72页
致谢	第72页