草莓视频下载污版,老司机午夜网站

內容簡介

　　本書通過機會約束規(guī)劃和模糊隸屬度，給出了一種全新的模糊機會約束最小二乘雙支持向量機，能夠有效地測量數(shù)據(jù)噪聲。此外，本書通過獲取移動端和PC端的關鍵詞百度搜索量，發(fā)現(xiàn)搜索時的行為及注意力集中度存在異質性。同時基于關鍵詞百度搜索量，使用多種算法對金融市場波動進行了預測，并對算法精度進行了比較。流形學習理論作為一種高維非線性特征提取方法，正成為機器學習領域應用研究的熱點，尤其在發(fā)現(xiàn)高維金融數(shù)據(jù)（上市公司財務數(shù)據(jù)、上證指數(shù)數(shù)據(jù)等）的低維表示應用中展現(xiàn)了良好的算法效果。本書通過對測地距離與歐式距離進行假設，從理論上論證了使用歐式距離會達到Is0MAP算法類似效果，同時能夠降低算法復雜度。

作者簡介

　　韓仁杰，1989年出生，博士，重慶工商大學經(jīng)濟學院經(jīng)濟系講師。主要研究領域為偏微分方程、**化、行為經(jīng)濟學等，已在數(shù)學和應用經(jīng)濟學領域發(fā)表SCI、SSCI論文5篇，主持重慶市社科規(guī)劃項目1項，校級科研項目1項。

圖書目錄

1 緒論
1.1 研究背景與研究意義
1.2 國內外研究現(xiàn)狀
1.3 研究內容與方法
1.3.1 研究內容
1.3.2 研究方法
1.4 本書結構安排
1.5 本書創(chuàng)新及不足
2 金融市場波動預測模型類文獻及基于搜索指數(shù)的金融市場波動預測類文獻述評
2.1 金融市場波動預測模型類文獻述評
2.2 基于搜索指數(shù)的金融市場波動預測類文獻述評
2.3 本章小結
3 理論及方法介紹
3.1 金融時間序列特征及分析方法
3.2 波動率理論
3.2.1 波動聚類
3.2.2 均值回復
3.2.3 長期記憶效應及錨定效應(Anchoring Effect)
3.2.4 杠桿效應
3.3 流形理論及流形學習算法
3.3.1 流形學習的數(shù)學定義
3.3.2 ISOMAP等流形學習算法理論
3.4 本章小結
4 模糊機會約束最小二乘雙支持向量機(FCC-LSTSVM)模型
4.1 支持向量機簡介
4.2 最小二乘雙支持向量機和模糊機會約束雙支持向量機
4.2.1 最小二乘雙支持向量機(LSTSVM)
4.2.2 模糊機會約束雙支持向量機(FCC-TSVM)
4.3 模糊機會約束最小二乘雙支持向量機(FCC-LSTSVM)
4.4 數(shù)值實驗
4.4.1 模糊隸屬度函數(shù)
4.4.2 人工數(shù)據(jù)
4.4.3 真實數(shù)據(jù)測試
4.5 本章小結
5 基于百度指數(shù)的滬深300指數(shù)波動率預測研究
5.1 百度指數(shù)預測金融市場波動路徑分析
5.2 實驗設計
5.2.1 數(shù)據(jù)來源
5.2.2 描述性統(tǒng)計與相關性分析
5.3 交易日百度指數(shù)與滬深300指數(shù)波動關系研究及算法比較
5.3.1 百度指數(shù)預處理方法及FCC-LSTSVM算法實現(xiàn)
5.3.2 PC端百度指數(shù)預測滬深300指數(shù)波動及算法比較
5.3.3 移動端百度指數(shù)預測滬深300指數(shù)波動及算法比較
5.4 本章小結
6 關于ISOMAP算法的改進
6.1 算法假設
6.2 算法論述
6.3 本章小結
7 全書總結與研究展望
7.1 全書總結
7.2 研究展望
參考文獻
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 部分關鍵詞百度指數(shù)
后記