摘要4-5
Abstract5-9
1 绪论9-15
1.1 探讨背景和探讨作用9-11
1.1.1 社会消费品零售总额的探讨背景和探讨作用9-10
1.1.2 上证综合指数的探讨背景和探讨作用10-11
1.2 国内外探讨概况11-14
1.2.1 移动平均法11
1.2.2 ARIMA模型(Box-Jenkins模型)11
1.2.3 ARCH及其一系列衍生11-12
1.2.4 神经网络策略12
1.2.5 支持向量机策略12-14
1.3 全文结构安排14-15
2 时间序列浅析基础论述15-23
2.1 ARlMA模型基本原理15-16
2.1.1 白噪声历程15
2.1.2 自相关函数15
2.1.3 偏自相关函数15-16
2.2 ARIMA模型的分类16-17
2.2.1 自回归历程(AR模型)16
2.2.2 移动平均历程(MA模型)16-17
2.2.3 自回归移动平均历程(ARMA模型)17
2.2.4 单积(整)自回归移动平均历程(ARIMA模型)17
2.3 ARIMA模型建立步骤17-18
2.4 季节时间序列(SARIMA)模型18-19
2.5 ARCH模型基本原理19-20
2.6 ARCH模型建立步骤20-21
2.7 GARCH模型21-22
2.8 本章小结22-23
3 统计学习论述与支持向量机23-32
3.1 统计学习论述23-24
3.2 支持向量机24-28
3.2.1 线性支持向量机25-27
3.2.2 非线性支持向量机27-28
3.3 支持向量回归28-31
3.3.1 ε -支持向量回归29-30
3.3.2 υ -支持向量回归30-31
3.4 本章小结31-32
4 社会消费品零售总额实证浅析32-47
4.1 社会消费品零售总额概述32
4.2 社会消费品零售总额时间序列ARIMA模型浅析32-40
4.2.1 数据浅析及预处理33-35
4.2.2 检验处理后的序列35-36
4.2.3 模型识别36-37
4.2.4 模型参数估计37-38
4.2.5 模型检验38-39
4.2.6 估测结果39-40
4.3 社会消费品零售总额时间序列SVM模型浅析40-43
4.3.1 数据标准化40-41
4.3.2 划分样本集41
4.3.3 核函数选择41
4.3.4 选择参数以及建立模型41-43
4.3.5 估测结果43
4.4 利用混合模型浅析社会消费品零售总额时间序列43-45
4.4.1 ARIMA与支持向量机混合模型43-45
4.4.2 实证浅析45
4.5 本章小结45-47
5 上证综合指数实证浅析47-58
5.1 上证综合指数47
5.2 上证综合指数ARCH模型浅析47-52
5.2.1 数据选取及处理48
5.2.2 平稳性浅析和白噪声检验48-49
5.2.3 检验时间序列的ARCH特性49-51
5.2.4 模型确定51
5.2.5 预测结果51-52
5.3 上证综合指数的SVM回归浅析52-55
5.3.1 数据标准化52
5.3.2 划分样本集52-53
5.3.3 核函数及参数选择53-54
5.3.4 建立模型54-55
5.4 ARIMA与SVM结合模型55-56
5.5 本章小结56-58
6 总结与展望58-60
6.1 本论文工作总结58-59
6.2 将来探讨的展望59-60
致谢60-61