摘要7-9
Abstract9-11
第一章 引言11-17
1.1 探讨背景和作用11
1.2 课题的探讨动态11-15
1.2.1 平稳时间序列模型12
1.2.2 ARIMA 模型12-13
1.2.3 神经网络模型13-14
1.2.4 支持向量机模型14
1.2.5 马尔可夫模型14-15
1.3 选题依据15-16
1.4 论文的结构16-17
第二章 模型的论述基础17-23
2.1 混沌动力系统17
2.2 微分方程17-18
2.3 随机历程18-19
2.4 伊藤历程19
2.5 马尔可夫历程19-20
2.6 MATLAB 软件的仿真20-21
2.7 极大似然估计21-23
第三章 进化算法23-39
3.1 进化算法基础23-24
3.1.1 遗传编程24
3.2 多表达式编程24-31
3.2.1 多表达式编程的编码25-26
3.2.2 多表达式编程的适应值函数26-27
3.2.3 多表达式编程的遗传操作27-29
3.2.4 多表达式编程的算法步骤及流程图29-30
3.2.5 多表达式编程的优点30-31
3.3 遗传算法(GA)31-34
3.3.1 遗传算法的基本原理31
3.3.2 遗传算法的主要步骤31-32
3.3.3 遗传算法的流程图32-33
3.3.4 遗传算法的特点33
3.3.5 遗传算法中的运转参数33-34
3.3.6 遗传算法的不足34
3.4 粒子群优化算法(PSO)34-39
3.4.1 PSO 算法概述34-36
3.4.2 PSO 算法步骤36
3.4.3 PSO 算法的优点36-37
3.4.4 PSO 算法流程图37
3.4.5 改善的 PSO 算法37-39
第四章 随机微分方程模型39-43
4.1 随机微分方程39
4.2 随机微分方程的解39-40
4.3 随机微分方程的解的差分近似40-43
第五章 基于随机微分方程的金融时间序列预测43-51
5.1 数据来源43
5.2 随机微分方程的差分处理43-44
5.3 数据处理及方程优化44
5.4 金融时间序列预测结果44-50
5.4.1 股票预测的实验结果及误差比较44-46
5.4.2 汇率预测的实验结果及误差比较46-50
5.5 结果浅析50-51
第六章 结论与展望51-53