金融工程的支持向量機方法

內容簡介

該書由兩部分組成。第一部分集中討論用支持向量機解決時間序列的預測問題。時間序列的預測是回歸研究中最常見的問題之一。第二部分研究用支持向量機解決分類問題與奇異點檢測問題。

支持向量機是在20世紀90年代由V.Vapnik等人研究並迅速發展起來的一種基於統計學習理論的機器學習算法。它通過尋求結構風險最小化來實現實際風險最小化，從而在樣本量較小的情況下也能獲得良好的學習效果。支持向量機算法是一個二次優先問題，因此，在一定程度上能保證所得到的解是全局最優的解。支持向量機具有完備的理論基礎（統計學習理論）和出郄的套用表現，正成為神經網路之後，機器學習領域中新的研究熱點。以往困擾機器學習方法的很多問題，如模型選擇與學習問題、非線性和維數災難問題、局部極小問題等，在這裡都得到了一定程度上的解決。它已經套用在模式識別、函式回歸和機率密度估計等方面。

圖書目錄

序

數學符號表

第一部分回歸估計中的支持向量機

第一章回歸估計中的支持向量機：一項研究

1.1 回歸估計中支持向量機的理論

1.2 支持向量機中的訓練算法

1.3 運行向量機的方法傗分析

1.4 支持向量機的套用與效果

1.5 小結與未來的研究工作

第二章金融時間序列預測中的支持向量機

2.1 引論

2.2 金融預測理論綜述

2.3 數據集與數據的預處理方法

2.4 效果檢測標準

2.5 實驗結果

2.6 小結

第三章支持向量機中的特徵選擇

3.1 引論

3.2 神經網路回歸元的特徵選擇技術

3.3 特徵選擇方法

3.4 實驗結果

3.5 小結

第四章 PCA、KPCA與ICA在支持向量機中降低維數方面的比較

4.1 引論

4.2 特徵萃取方法

4.3 回歸估計中的支持向量機理論

4.4 實驗結果

4.5 小結

第五章動態的支持向量機

5.1 引論

5.2 貼現的最小二乘法

5.3 三種動態的支持向量機

5.4 實驗結果

5.5 相關的研究工作

5.6 小結

第六章時間序列預測中的複合系統

第七章訓練支持向量機中的並行序列最小最佳化方法

第二部分分類與奇異性偵察中的支持向量機

第八章支持向量機在債券評級中的套用

第九章改進的支持向量奇異性偵察方法

第十章結論與展望

參考文獻

附錄A 滿足SRM的SVMs回歸

附錄B 數據集

附錄C 改進的SMD的程式編碼

附錄D 改進的SMD

金融工程的支持向量機方法

基本介紹

內容簡介

圖書目錄

相關詞條

熱門詞條