模糊機(jī)會(huì)約束最小二乘雙支持向量機(jī)算法及其在金融市場(chǎng)應(yīng)用的研究

定　價(jià)：￥68.00

作　者：	韓仁杰，李然
出版社：	西南財(cái)經(jīng)大學(xué)出版社
叢編項(xiàng)：
標(biāo)　簽：	暫缺

購(gòu)買(mǎi)這本書(shū)可以去

ISBN：	9787550448643	出版時(shí)間：	2021-06-01	包裝：	平裝
開(kāi)本：	16開(kāi)	頁(yè)數(shù)：	156	字?jǐn)?shù)：

內(nèi)容簡(jiǎn)介

　　本書(shū)通過(guò)機(jī)會(huì)約束規(guī)劃和模糊隸屬度，給出了一種全新的模糊機(jī)會(huì)約束最小二乘雙支持向量機(jī)，能夠有效地測(cè)量數(shù)據(jù)噪聲。此外，本書(shū)通過(guò)獲取移動(dòng)端和PC端的關(guān)鍵詞百度搜索量，發(fā)現(xiàn)搜索時(shí)的行為及注意力集中度存在異質(zhì)性。同時(shí)基于關(guān)鍵詞百度搜索量，使用多種算法對(duì)金融市場(chǎng)波動(dòng)進(jìn)行了預(yù)測(cè)，并對(duì)算法精度進(jìn)行了比較。流形學(xué)習(xí)理論作為一種高維非線(xiàn)性特征提取方法，正成為機(jī)器學(xué)習(xí)領(lǐng)域應(yīng)用研究的熱點(diǎn)，尤其在發(fā)現(xiàn)高維金融數(shù)據(jù)（上市公司財(cái)務(wù)數(shù)據(jù)、上證指數(shù)數(shù)據(jù)等）的低維表示應(yīng)用中展現(xiàn)了良好的算法效果。本書(shū)通過(guò)對(duì)測(cè)地距離與歐式距離進(jìn)行假設(shè)，從理論上論證了使用歐式距離會(huì)達(dá)到Is0MAP算法類(lèi)似效果，同時(shí)能夠降低算法復(fù)雜度。

作者簡(jiǎn)介

　　韓仁杰，1989年出生，博士，重慶工商大學(xué)經(jīng)濟(jì)學(xué)院經(jīng)濟(jì)系講師。主要研究領(lǐng)域?yàn)槠⒎址匠獭?*化、行為經(jīng)濟(jì)學(xué)等，已在數(shù)學(xué)和應(yīng)用經(jīng)濟(jì)學(xué)領(lǐng)域發(fā)表SCI、SSCI論文5篇，主持重慶市社科規(guī)劃項(xiàng)目1項(xiàng)，校級(jí)科研項(xiàng)目1項(xiàng)。

圖書(shū)目錄

1 緒論
1.1 研究背景與研究意義
1.2 國(guó)內(nèi)外研究現(xiàn)狀
1.3 研究?jī)?nèi)容與方法
1.3.1 研究?jī)?nèi)容
1.3.2 研究方法
1.4 本書(shū)結(jié)構(gòu)安排
1.5 本書(shū)創(chuàng)新及不足
2 金融市場(chǎng)波動(dòng)預(yù)測(cè)模型類(lèi)文獻(xiàn)及基于搜索指數(shù)的金融市場(chǎng)波動(dòng)預(yù)測(cè)類(lèi)文獻(xiàn)述評(píng)
2.1 金融市場(chǎng)波動(dòng)預(yù)測(cè)模型類(lèi)文獻(xiàn)述評(píng)
2.2 基于搜索指數(shù)的金融市場(chǎng)波動(dòng)預(yù)測(cè)類(lèi)文獻(xiàn)述評(píng)
2.3 本章小結(jié)
3 理論及方法介紹
3.1 金融時(shí)間序列特征及分析方法
3.2 波動(dòng)率理論
3.2.1 波動(dòng)聚類(lèi)
3.2.2 均值回復(fù)
3.2.3 長(zhǎng)期記憶效應(yīng)及錨定效應(yīng)(Anchoring Effect)
3.2.4 杠桿效應(yīng)
3.3 流形理論及流形學(xué)習(xí)算法
3.3.1 流形學(xué)習(xí)的數(shù)學(xué)定義
3.3.2 ISOMAP等流形學(xué)習(xí)算法理論
3.4 本章小結(jié)
4 模糊機(jī)會(huì)約束最小二乘雙支持向量機(jī)(FCC-LSTSVM)模型
4.1 支持向量機(jī)簡(jiǎn)介
4.2 最小二乘雙支持向量機(jī)和模糊機(jī)會(huì)約束雙支持向量機(jī)
4.2.1 最小二乘雙支持向量機(jī)(LSTSVM)
4.2.2 模糊機(jī)會(huì)約束雙支持向量機(jī)(FCC-TSVM)
4.3 模糊機(jī)會(huì)約束最小二乘雙支持向量機(jī)(FCC-LSTSVM)
4.4 數(shù)值實(shí)驗(yàn)
4.4.1 模糊隸屬度函數(shù)
4.4.2 人工數(shù)據(jù)
4.4.3 真實(shí)數(shù)據(jù)測(cè)試
4.5 本章小結(jié)
5 基于百度指數(shù)的滬深300指數(shù)波動(dòng)率預(yù)測(cè)研究
5.1 百度指數(shù)預(yù)測(cè)金融市場(chǎng)波動(dòng)路徑分析
5.2 實(shí)驗(yàn)設(shè)計(jì)
5.2.1 數(shù)據(jù)來(lái)源
5.2.2 描述性統(tǒng)計(jì)與相關(guān)性分析
5.3 交易日百度指數(shù)與滬深300指數(shù)波動(dòng)關(guān)系研究及算法比較
5.3.1 百度指數(shù)預(yù)處理方法及FCC-LSTSVM算法實(shí)現(xiàn)
5.3.2 PC端百度指數(shù)預(yù)測(cè)滬深300指數(shù)波動(dòng)及算法比較
5.3.3 移動(dòng)端百度指數(shù)預(yù)測(cè)滬深300指數(shù)波動(dòng)及算法比較
5.4 本章小結(jié)
6 關(guān)于ISOMAP算法的改進(jìn)
6.1 算法假設(shè)
6.2 算法論述
6.3 本章小結(jié)
7 全書(shū)總結(jié)與研究展望
7.1 全書(shū)總結(jié)
7.2 研究展望
參考文獻(xiàn)
附錄
附錄A 百度指數(shù)提取主要代碼
附錄B FCC-LSTSVM主要代碼
附錄C 部分關(guān)鍵詞百度指數(shù)
后記