论文目录 | |
| 摘要 | 第1-7页 |
| Abstract | 第7-16页 |
| 第1章 绪论 | 第16-30页 |
| · 研究背景及意义 | 第16-19页 |
| · 研究背景 | 第16-18页 |
| · 研究意义 | 第18-19页 |
| · 国内外研究现状 | 第19-26页 |
| · 基于统计原理的传统型股票指数波动预测模型研究 | 第19-21页 |
| · 基于非统计原理的创新型股票指数波动预测模型研究 | 第21-22页 |
| · 神经网络的优化研究 | 第22-24页 |
| · 数据挖掘与知识挖掘研究 | 第24-25页 |
| · 国内外研究动态总结 | 第25-26页 |
| · 论文研究内容 | 第26-27页 |
| · 研究方法 | 第27-28页 |
| · 论文创新点 | 第28-30页 |
| 第2章 股指预测的特点及预测模型 | 第30-54页 |
| · 股指预测的特点 | 第30-40页 |
| · 股指波动的特征 | 第30-31页 |
| · 股指波动的主要影响因素 | 第31-39页 |
| · 股指预测模型的特点 | 第39-40页 |
| · 基于统计原理的传统型股指预测模型 | 第40-43页 |
| · GARCH模型 | 第40-42页 |
| · SV模型 | 第42-43页 |
| · 基于非统计原理的创新型股指预测模型 | 第43-52页 |
| · 灰色GM(1,1)模型 | 第43-46页 |
| · 神经网络预测模型 | 第46-49页 |
| · 支持向量机预测模型 | 第49-52页 |
| · 本章小结 | 第52-54页 |
| 第3章 统计类预测模型与创新类预测模型比较 | 第54-66页 |
| · 理论比较 | 第54-56页 |
| · 建模的理论基础不同 | 第54页 |
| · 对数据的要求不同 | 第54-55页 |
| · 对数据的处理方法不同 | 第55页 |
| · 模型结构的稳定性与适应性不同 | 第55页 |
| · 预测精度不同 | 第55-56页 |
| · 预测难度与预测时间长度不同 | 第56页 |
| · 实证比较 | 第56-62页 |
| · 单一指标预测 | 第56-59页 |
| · 多指标组合预测 | 第59-62页 |
| · 神经网络在股指预测中的局限性 | 第62-64页 |
| · 本章小结 | 第64-66页 |
| 第4章 基于生物进化算法优化的神经网络股指预测模型与实证 | 第66-76页 |
| · 遗传算法优化的神经网络股指预测模型 | 第66-69页 |
| · 遗传算法 | 第66-67页 |
| · 建立遗传算法优化神经网络股指预测模型 | 第67-69页 |
| · 粒子群算法优化的神经网络股指预测模型 | 第69-71页 |
| · 粒子群算法 | 第69-70页 |
| · 建立粒子群算法优化神经网络股指预测模型 | 第70-71页 |
| · 鱼群算法优化的神经网络股指预测模型 | 第71-73页 |
| · 人工鱼群算法 | 第72页 |
| · 建立人工鱼群算法优化神经网络股指预测模型 | 第72-73页 |
| · 三种算法的比较分析 | 第73-74页 |
| · 基于优化算法的RBF股指预测实证分析 | 第74-75页 |
| · 本章小结 | 第75-76页 |
| 第5章 基于数据挖掘的神经网络股指预测模型与实证 | 第76-98页 |
| · 数据挖掘概述 | 第76-79页 |
| · 数据挖掘理论 | 第76-77页 |
| · 数据挖掘的功能 | 第77-78页 |
| · 数据挖掘的过程 | 第78-79页 |
| · 基于数据挖掘的RBF+AFSA神经网络股指预测模型与实证 | 第79-91页 |
| · 建立RBF+AFSA神经网络股指预测模型 | 第79-83页 |
| · 输入数据的挖掘与处理 | 第83-85页 |
| · 单一指标股指预测实证分析 | 第85-87页 |
| · 优化组合指标股指预测实证分析 | 第87-89页 |
| · 不同预测模型预测结果比较分析 | 第89-91页 |
| · 基于数据挖掘的GA-BP神经网络股指预测模型与实证 | 第91-96页 |
| · 建立GA-BP神经网络股指预测模型 | 第91-93页 |
| · 输入数据的挖掘与处理 | 第93-94页 |
| · 单一指标股指预测实证分析 | 第94-95页 |
| · 优化组合指标股指预测实证分析 | 第95-96页 |
| · 本章小结 | 第96-98页 |
| 第6章 基于知识挖掘的神经网络股指预测模型与实证 | 第98-126页 |
| · 知识挖掘概述 | 第98-104页 |
| · 知识挖掘的流程 | 第99-100页 |
| · 知识挖掘的方法 | 第100-104页 |
| · 基于知识挖掘的FPBP神经网络的股指预测模型与实证 | 第104-116页 |
| · 建立基于知识挖掘的FPBP股指预测模型 | 第104-106页 |
| · 样本及变量选择 | 第106-107页 |
| · FP-Tree关联规则挖掘过程 | 第107-111页 |
| · 基于知识挖掘的FPBP神经网络预测 | 第111-115页 |
| · 模型的缺陷及适度处理 | 第115-116页 |
| · 基于知识挖掘的REPTREE+RBF+AFSA的股指预测模型与实证 | 第116-125页 |
| · 建立基于知识挖掘的REPTree+RBF+AFSA股指预测模型 | 第116-117页 |
| · 文本因素的相关性分析 | 第117-119页 |
| · 引入文本因素后的REPTree+RBF+AFSA股指预测实证分析 | 第119-125页 |
| · 本章小结 | 第125-126页 |
| 第7章 结论与展望 | 第126-128页 |
| · 结论 | 第126-127页 |
| · 研究不足与展望 | 第127-128页 |
| 参考文献 | 第128-134页 |
| 攻读博士学位期间发表的论文 | 第134-136页 |
| 攻读博士学位期间参加的科研工作 | 第136-138页 |
| 致谢 | 第138-140页 |
| 作者简介 | 第140页 |
