DNN加权方法及其在WSVR和ε-TSVR上的应用研究

目录

声明

第1章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 支持向量回归机的研究现状

1.2.2 基于支持向量回归机的股票预测研究现状

1.3 研究内容及创新点

1.3.1 研究内容

1.3.2 本文创新点

1.4 本文结构安排

第2章 统计学习与支持向量回归机

2.1 统计学习理论

2.1.1 学习机器推广能力的界

2.1.2 结构风险最小化归纳原则

2.1.3 回归算法推广能力的界

2.2 优化基本理论

2.2.1 凸二次规划与线性规划问题

2.2.2 凸二次规划与线性规划解的充要条件

2.2.3 Wolf对偶理论

2.3 常用核函数

2.3.1 核函数

2.3.2 常用核函数

2.4 支持向量回归机模型

2.5 本章小结

第3章 DNNW-SVR模型的提出及其改进

3.1 D近邻算法原理

3.2 改进的DNN算法-D近邻加权算法

3.3 DNNW-SVR模型的提出及其改进

3.3.1 DNNW-SVR模型

3.3.2 DNNW-SVR模型的改进

3.4 基于改进的DNNW-SVR模型的实证分析

3.4.1 模型评价指标

3.4.2 实验分析

3.5 本章小结

第4章 DNNW-εTSVR模型及在高频数据上的预测

4.1 ε-TSVR模型的建立及其求解推导

4.1.1 线性ε-TSVR模型

4.1.2 非线性ε-TSVR模型

4.2 DNNW-εTSVR模型的建立及其求解推导

4.3 DNNW-εTSVR模型在股市高频数据上的实证分析

4.3.1 数据来源和指标选取

4.3.2 模型评价指标

4.3.3 实证结果

4.4 本章小结

第5章 结论与展望

5.1 研究结论

5.2 研究展望

致谢

参考文献

攻读硕士学位期间发表论文及参加科研项目情况

附录