声明
致谢
摘要
1 绪论
1.1 研究背景
1.1.1 支持向量机研究背景
1.1.2 基金评价研究背景
1.2 研究现状
1.3 论文研究内容及意义
1.4 论文组织安排
1.5 论文创新点
2 支持向量机原理
2.1 统计学习理论基本定义
2.1.1 机器学习
2.1.2 ERM原则
2.1.3 VC维与SRM准则
2.2 支持向量分类机基本算法
2.2.1 线性可分支持向量分类机
2.2.2 非线性可分支持向量分类机
2.3 本章小结
3 支持向量机多分类算法研究
3.1 直接多分类SVMs
3.2 基于二分类的多分类SVMs
3.2.1 “一对余”算法OAA-SVMs
3.2.2 “一对一”算法OAO-SVMs
3,2.3 纠错编码法ECC-SVMs
3.2.4 有项无环图法DAG-SVMs
3.2.5 层次多分类法H-SVMs
3.3 多分类SVM算法性能比较
3.4 一种新的多分类SVM
3.4.1 改进的二叉树多分类法
3.4.2 新算法定义及性能试验
3.5 本章小结
4 证券投资基金评价
4.1 证券投资基金评价概述
4.2 基金评价方法
4.2.1 国内基金常用评价方法
4.2.2 国外基金常用评价方法
4.3 本章小结
5 基于SVM的基金评价实证研究
5.1 试验工具及数据准备
5.1.1 试验配置
5.1.2 研究样本及数据来源说明
5.2 评级指标
5.3 实证分析
5.3.1 数据预处理
5.3.2 特征提取
5.3.3 OAA-SVMs与DT-SVMs算法试验
5.3.4 试验结果分析
6 总结与展望
参考文献
学位论文数据集