Support vector machines algorithms and financial applications

绪论篇
  第1章  绪论
    1.1 概述
    1.2 线性可分问题的SVM方法
    1.3 线性不可分问题的SVM方法
    1.4 核函数
    1.5 支持向量及非支持向量和超平面的关系
    1.6 SVM的模型选择问题
    1.7 SVM与解非线性方程组
    1.8 决策函数、Fisher判别和Rayleigh商
    1.9 Libsvm仿真平台
算法篇
  第2章  典型的支持向量分类机和回归机
    2.1 C-SVC(b=O)
    2.2 v-SVC
    2.3 ε-SVR
    2.4 v-ε-SVR
    2.5 IS-SVM
    2.6 二次ε-SVR
    2.7 包含点集的最小超球体
  第3章  支持向量机的结构修剪算法
    3.1 概述
    3.2 支持向量机的结构修剪算法
    3.3 Lagrangian函数和对偶理论
    3.4 等价点和广义Lagrangian函数
    3.5 本质支持向量的不定性
    3.6 支持向量机的在线学习算法
  第4章  粗略删除支持向量的方法
    4.1 概述
    4.2 正交投影
    4.3 纵向传播
    4.4 删除步骤
    4.5 角度和截距变化
    4.6 一类支持向量机删除算法
    4.7 批粗略删除方法
    4.8 实验讨论
    4.9 结语
  第5章  特征空间椭圆模式挖掘
    5.1 概述
    5.2 基于椭圆分布的SVM模型
    5.3 实验研究
    5.4 特征空间椭圆模式的分解算法
    5.5 结语
  第6章  特征空间和经验图
    6.1 引言
    6.2 特征空间和经验图的一些关系
    6.3 调整分隔超平面
  第7章  用SVM解奇偶校验问题和大系统分解算法
    7.1 概述
    7.2 实验和讨论
    7.3 基于SMO算法的奇偶校验问题进一步实验
    7.4 基于梯度下降法的奇偶校验问题实验研究
    7.5 使用分解算法训练SVM
    7.6 使用大系统分解协调算法训练SVM
  第8章  支持向量机超曲面
    8.1 分隔超平面和分隔超曲面
    8.2 实验
应用篇
  第9章  基于支持向量机和随机过程的金融市场波动研究
    9.1 随机过程基础
    9.2 几个重要的随机过程
    9.3 随机占优和下方风险
    9.4 互联网金融信息时间序列的Markov性的实验研究
    9.5 基于支持向量机的多阶时间延迟的股价预测模型
  第10章  基于支持向量机的互联网金融市场波动预测
    10.1 概述
    10.2 基于支持向量机的股市交易量预测
    10.3 金融舆情分析系统
  参考文献