金融工程的支持向量机方法

　　序
　　数学符号表
　　第一部分 回归估计中的支持向量机
　　第一章 回归估计中的支持向量机：一项研究
　　1.1 回归估计中支持向量机的理论
　　1.2 支持向量机中的训练算法
　　1.3 运行向量机的方法傗分析
　　1.4 支持向量机的应用与效果
　　1.5 小结与未来的研究工作
　　第二章 金融时间序列预测中的支持向量机
　　2.1 引论
　　2.2 金融预测理论综述
　　2.3 数据集与数据的预处理方法
　　2.4 效果检测标准
　　2.5 实验结果
　　2.6 小结
　　第三章 支持向量机中的特征选择
　　3.1 引论
　　3.2 神经网络回归元的特征选择技术
　　3.3 特征选择方法
　　3.4 实验结果
　　3.5 小结
　　第四章 PCA、KPCA与ICA在支持向量机中降低维数方面的比较
　　4.1 引论
　　4.2 特征萃取方法
　　4.3 回归估计中的支持向量机理论
　　4.4 实验结果
　　4.5 小结
　　第五章 动态的支持向量机
　　5.1 引论
　　5.2 贴现的最小二乘法
　　5.3 三种动态的支持向量机
　　5.4 实验结果
　　5.5 相关的研究工作
　　5.6 小结
　　第六章 时间序列预测中的复合系统
　　第七章 训练支持向量机中的并行序列最小优化方法
　　第二部分 分类与奇异性侦察中的支持向量机
　　第八章 支持向量机在债券评级中的应用
　　第九章 改进的支持向量奇异性侦察方法
　　第十章 结论与展望
　　参考文献
　　附录A 满足SRM的SVMs回归
　　附录B 数据集
　　附录C 改进的SMD的程序编码
　　附录D 改进的SMD

　　支持向量机是在20世纪90年代由V.Vapnik等人研究并迅速发展起来的一种基于统计学习理论的机器学习算法。它通过寻求结构风险最小化来实现实际风险最小化，从而在样本量较小的情况下也能获得良好的学习效果。支持向量机算法是一个二次优先问题，因此，能保证所得到的解是全局最优的解。支持向量机具有完备的理论基础（统计学习理论）和出色的应用表现，正成为神经网络之后，机器学习领域中新的研究热点。以往困扰机器学习方法的很多问题，如模型选择与学习问题、非线性和维数灾难问题、局部极小问题等，在这里都得到了一定程度上的解决。它已经应用在模式识别、函数回归和概率密度估计等方面。
　　本书由两部分组成。第一部分集中讨论用支持向量机解决时间序列的预测问题。时间序列的预测是回归研究中最常见的问题之一。第二部分研究用支持向量机解决分类问题与奇异点检测问题。