機器學習在量化投資中的應用研究

第1章 緒論
1.1 背景與意義
1.2 國內外研究現狀
1.2.1 金融時間序列方法
1.2.2 機器學習方法
1.2.3 小波與流形方法
1.3 本書主要內容與邏輯結構
1.3.1 內容安排
1.3.2 邏輯結構
第2章 統計學習與機器學習
2.1 計算學習理論
2.1.1 學習問題表述
2.1.2 統計學習理論
2.1.3 可能近似正確學習模型
2.2 神經網絡模型
2.2.1 多層感知器神經網絡模型
2.2.2 廣義回歸神經網絡模型
2.3 支持向量機理論
2.3.1 線性支持向量分類機
2.3.2 非線性支持向量分類機
2.3.3 支持向量回歸機
2.4 本章小結
第3章 基於模糊神經網絡的股票預測模型分析
3.1 引言
3.2 模糊神經網絡模型研究
3.2.1 模糊邏輯推理系統結構
3.2.2 模糊神經網絡分類器
3.2.3 模糊神經網絡回歸機
3.3 基於模糊神經網絡的股票預測
3.3.1 模糊神經網絡設計
3.3.2 實驗結果與分析
3.4 本章小結
第4章 基於高斯核支持向量機的股票預測模型分析
4.1 引言
4.2 核函數研究
4.2.1 核的構造條件
4.2.2 核的構造原則
4.2.3 核的主要類型
4.3 基於高斯核支持向量機的股票預測
4.3.1 數據處理與性能指標
4.3.2 實驗結果與分析
4.4 本章小結
第5章 基於小波支持向量機的股票收益模型分析
5.1 引言
5.2 股票收益的理論研究
5.2.1 有效市場假說與布朗運動模型
5.2.2 分形市場假說與分數布朗運動模型
5.2.3 Hurst指數與重標極差分析
5.2.4 混沌動力學模型與Lyapunov指數
5.3 基於小波支持向量機的收益模型
5.3.1 小波變換與多分辨分析
5.3.2 小波核構造與證明
5.3.3 實驗結果與分析
5.4 本章小結
第6章 基於小波支持向量機的波動模型分析
6.1 引言
6.2 波動率模型研究
6.2.1 ARCH模型
6.2.2 GARCH模型
6.2.3 隨機波動SV模型
6.3 基於小波支持向量機的GARCH模型
6.3.1 仿真實驗
6.3.2 真實數據集實驗
6.4 本章小結
第7章 基於流形小波核的收益序列分析
7.1 引言
7.2 微分幾何基本理論
7.3 核函數的幾何解釋
7.4 構造融合先驗知識的流形小波核
7.5 實驗結果與分析
7.6 本章小結
第8章 基於樣條小波核的波動序列分析
8.1 引言
8.2 樣條小波模型研究
8.3 樣條空間與函數
8.3.1 樣條函數空間
8.3.2 B樣條函數定義與性質
8.4 樣條小波核構造與證明
8.5 實驗結果與分析
8.6 本章小結
第9章 結論與展望
9.1 本書主要貢獻
9.2 后續研究展望
附錄A 微積分
A.1 基本定義
A.2 梯度和Hesse矩陣
A.3 方向導數
A.4 Taylor展開式
A.5 分離定理
附錄B Hilbert空間
B.1 向量空間
B.2 內積空間
B.3 Hilbert空間
B.4 算子、特征值和特征向量
附錄C 專題研究期間學術論文與科研項目
后記
參考文獻