基于知识挖掘和RBF+AFSA的股指预测的实证分析
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9页 |
| ·国内外研究现状 | 第9-12页 |
| ·神经网络模型及其优化研究 | 第9-11页 |
| ·数据挖掘与知识挖掘研究 | 第11-12页 |
| ·论文研究内容 | 第12-13页 |
| ·论文创新点 | 第13-14页 |
| 第2章 神经网络预测理论及实证分析 | 第14-19页 |
| ·人工神经网络模型 | 第14-16页 |
| ·BP神经网络 | 第14-15页 |
| ·RBF神经网络 | 第15-16页 |
| ·BP网络与RBF网络的实证比较 | 第16-18页 |
| ·神经网络的局限性 | 第18页 |
| ·本章小结 | 第18-19页 |
| 第3章 RBF神经网络的优化—智能算法 | 第19-27页 |
| ·智能算法 | 第19页 |
| ·遗传算法 | 第19-20页 |
| ·遗传算法的概述 | 第19页 |
| ·遗传算法的基本步骤 | 第19-20页 |
| ·遗传算法的特点 | 第20页 |
| ·遗传算法的对神经网络的优化 | 第20页 |
| ·群体智能算法 | 第20-24页 |
| ·粒子群算法 | 第21-22页 |
| ·人工鱼群算法 | 第22-24页 |
| ·蚁群算法 | 第24页 |
| ·利用智能算法对RBF神经网络进行优化的应用实例 | 第24-26页 |
| ·本章小结 | 第26-27页 |
| 第4章 数据因素代入RBF+AFSA—数据挖掘 | 第27-35页 |
| ·数据挖掘概述 | 第27-28页 |
| ·数据挖掘分类 | 第27-28页 |
| ·数据挖掘的功能 | 第28页 |
| ·数据挖掘的过程 | 第28页 |
| ·利用数据挖掘技术引入数据因素之后的预测实证 | 第28-34页 |
| ·影响股指的数据因素——技术指标因素 | 第28-30页 |
| ·数据挖掘实证分析 | 第30-34页 |
| ·本章小结 | 第34-35页 |
| 第5章 文本因素代入RBF+AFSA—知识挖掘 | 第35-45页 |
| ·知识挖掘概述 | 第35-37页 |
| ·知识挖掘的流程 | 第35页 |
| ·知识挖掘的方法 | 第35-37页 |
| ·利用知识挖掘对上证综指进行预测的实证分析 | 第37-44页 |
| ·宏观经济因素 | 第37-38页 |
| ·心理因素 | 第38页 |
| ·文本因素的相关性分析 | 第38-40页 |
| ·知识挖掘实证分析 | 第40-44页 |
| ·本章小结 | 第44-45页 |
| 第6章 结论与展望 | 第45-46页 |
| ·结论 | 第45页 |
| ·研究不足与展望 | 第45-46页 |
| 参考文献 | 第46-49页 |
| 攻读硕士学位期间发表的论文 | 第49-50页 |
| 致谢 | 第50页 |
