声明
致谢
摘要
第一章 绪论
1.1 课题研究的背景和意义
1.2 国内外研究现状
1.3 股市预测的难点分析
1.4 本文的主要工作及创新点
1.4.1 本文主要工作
1.4.2 本文的创新点
1.5 课题的来源和文章的组织结构
1.5.1 课题的来源
1.5.2 文章的组织结构
第二章 支持向量机概述
2.1 支持向量机发展历史
2.2 支持向量机理论
2.2.1 支持向量机理论基础
2.2.2 支持向量机算法
2.3 核函数
2.4 支持向量机主要研究内容
2.4.1 各种改进算法
2.4.2 大规模数据训练算法
2.4.3 多类别分类问题
2.5 小结
第三章 K线能量计算的股市生命期态势预测方法
3.1 引言
3.2 支持向量机
3.3 K线特征的股市预测
3.3.1 K线特征的描述
3.3.2 K线特征的孕育成熟度
3.3.3 K线特征的爆发力
3.3.4 K线特征作为先验知识加入SVM
3.3.5 KLF-SVM算法描述
3.4 股市生命期中不同阶段的股价预测
3.4.1 股市生命期中不同阶段的描述
3.4.2 K线特征的能量波动判断未来股价
3.4.3 LPF-SVM算法描述
3.5 实验数据和实验结果
3.5.1 实验数据集的选取
3.5.2 实验预测结果评价标准
3.6 KLP-SVM预测结果
3.6.1 实验结果图
3.6.2 实验误差对比
3.6.3 实验结果分析
3.7 本章小结
第四章 基于特征能量背离分析的股市预测
4.1 引言
4.2 贝叶斯网络与马尔科夫毯
4.2.1 贝叶斯公式
4.2.2 贝叶斯网络
4.2.3 马尔科夫毯
4.3 常用的技术指标
4.3.1 MACD技术指标
4.3.2 KDJ技术指标
4.3.3 RSI技术指标
4.3.4 BOLL技术指标
4.3.5 OBV技术指标
4.3.6 BIAS技术指标
4.4 技术指标的提取
4.4.1 构建贝叶斯网络
4.4.2 提取收盘价的马尔科夫毯
4.5 技术指标能量的定义
4.5.1 MACD技术指标的能量
4.5.2 KDJ技术指标的能量
4.5.3 RSI技术指标的能量
4.6 技术指标的能量与K线特征的能量之间背离
4.6.1 技术指标的能量与K线特征的能量背离定义
4.6.2 能量背离对于股价的影响
4.6.3 EDD-SVM算法描述
4.7 实验
4.7.1 数据集的选取
4.7.2 实验结果
4.7.3 实验结果分析
4.8 本章小结
第五章 总结与展望
5.1 本文的主要工作
5.2 下一步工作
参考文献
攻读硕士学位期间的学术活动及成果情况