基于线性判别分析与小波分析的支持向量机股票交易择时策略
| 致谢 | 第6-7页 |
| 摘要 | 第7-8页 |
| ABSTRACT | 第8页 |
| 第一章 绪论 | 第11-22页 |
| 1.1 研究背景及意义 | 第11-14页 |
| 1.1.1 研究背景 | 第11-14页 |
| 1.1.2 研究意义 | 第14页 |
| 1.2 文献综述 | 第14-19页 |
| 1.2.1 国内研究现状 | 第15-17页 |
| 1.2.2 国外研究现状 | 第17-18页 |
| 1.2.3 文献评述 | 第18-19页 |
| 1.3 论文主要研究内容 | 第19-21页 |
| 1.4 论文的创新点、重点和难点 | 第21-22页 |
| 第二章 机器学习的数据降维方法 | 第22-28页 |
| 2.1 主流的机器学习数据降维方法 | 第22-23页 |
| 2.2 主成分分析法 | 第23-25页 |
| 2.2.1 主成分分析法基本思想 | 第23-24页 |
| 2.2.2 主成分分析法的基本理论 | 第24-25页 |
| 2.3 线性判别分析 | 第25-28页 |
| 2.3.1 线性判别分析的基本思想 | 第25-26页 |
| 2.3.2 线性判别分析的基本理论 | 第26-28页 |
| 第三章 支持向量机理论 | 第28-41页 |
| 3.1 感知机 | 第29-31页 |
| 3.2 关于支持向量机的储备知识 | 第31页 |
| 3.2.1 最优间隔分类器 | 第31页 |
| 3.2.2 原始问题与对偶问题 | 第31页 |
| 3.3 支持向量机 | 第31-37页 |
| 3.3.1 线性可分支持向量机 | 第32-34页 |
| 3.3.2 近似线性可分支持向量机 | 第34-36页 |
| 3.3.3 非线性可分支持向量机 | 第36-37页 |
| 3.4 优化算法 | 第37-40页 |
| 3.4.1 交叉验证与网格搜索法 | 第37-38页 |
| 3.4.2 小波分析 | 第38-40页 |
| 3.5 支持向量机的应用价值 | 第40-41页 |
| 第四章 基于支持向量机模型的分析 | 第41-61页 |
| 4.1 数据初步处理 | 第43-44页 |
| 4.1.1 数据选取 | 第43-44页 |
| 4.1.2 数据处理 | 第44页 |
| 4.2 不同数据降维技术的比较 | 第44-55页 |
| 4.2.1 基于PCA的支持向量机模型 | 第44-50页 |
| 4.2.2 基于LDA的支持向量机模型 | 第50-53页 |
| 4.2.3 降维方法的对比与选择 | 第53-55页 |
| 4.3 基于LDA降维与小波分析的支持向量机模型 | 第55-59页 |
| 4.4 模型策略结果的对比分析 | 第59-61页 |
| 第五章 研究结论与应用前景 | 第61-64页 |
| 5.1 主要研究结论 | 第61-62页 |
| 5.2 研究局限 | 第62-63页 |
| 5.3 机器学习在金融领域的应用前景 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 附录 最终策略的核心程序 | 第67-73页 |
