机器学习在金融时间序列预测中的应用

目录

声明

第1章 绪论

1.1课题研究背景及意义

1.2金融时间序列的特点

1.3国内外研究现状

1.4论文章节安排和章节组织结构图

第2章 金融时间序列预测及机器学习概述

2.1引言

2.2金融时间序列进行预测的基本模型

2.3金融时间序列数据的选取

2.4金融时间序列数据预处理

2.4.1数据规范化处理

2.4.2缺失数据的处理

2.4.3数据平稳性处理

2.5.1 简单自回归模型

2.5.2 简单滑动平均模型

2.5.3 自回归滑动平均模型

2.5.4 条件异方差模型

2.6机器学习模型

2.6.1随机森林模型结构及原理

2.6.2随机森林实现过程

2.6.3支持向量机模型

2.6.4支持向量机核函数

2.6.5最小二乘支持向量机回归模型

2.7模型评价标准

2.7.1分类预测评价指标

2.7.2回归预测评价指标

2.8本章小结

第3章 基于改进的随机森林算法股票收益率预测研究

3.1引言

3.2理论基础

3.2.1 PSO的特征选择算法

3.2.2 网格搜索算法

3.3数据预处理

3.4股票交易信号数据

3.5算法流程设计

3.6仿真结果与分析

3.7本章小结

第4章 利用相空间重构优化方法对股票价格预测

4.1引言

4.2 PSR_PSO_LSSVR预测模型

4.2.1 相空间重构PSR

4.2.2 滑动窗口的确定

4.2.3 PSO进行参数寻优

4.3 算法流程框架设计

4.4 仿真结果与分析

4.5本章小结

第5章 基于支持向量机的回归预测模型

5.1引言

5.2 PCA-GRID-SVR系统框架设计

5.3主成分分析原理

5.4流程框架设计

5.5仿真实验

5.5.1 数据来源与预处理

5.5.2 预测因子的PCA 处理

5.5.3 利用网格搜索算法优化SVR 参数

5.5.4 模型预测性能对比分析

5.6本章小结

第6章 总结与展望

6.1全文总结

6.2研究展望

致谢

参考文献

附录