一直以來， 中共中央對於金融安全、 風險防範、 保障經濟平穩增長都高度重視， 中共十九大報告也指出要守住金融市場不發生繫統性風險的底線。 金融市場波動測度著金融市場的不確定性或風險， 特別是 ２００８ 年全球金融危機後， 防範金融風險、 預測金融市場波動更是成為學術界關注的重點。 傳統金融數據以及新興的文本數據等， 為許多經濟決策提供依據的同時， 其高維、 非結構化存在形式掩蓋了數據的本質特征。 從復雜的高維數據中找到數據所反映的本質規律， 應用於金融市場， 對金融市場參與者而言， 能夠更準確地等

●1 緒論
1.1 研究背景與研究意義
1.2 國內外研究現狀
1.3 研究內容與方法
1.3.1 研究內容
1.3.2 研究方法
1.4 本書結構安排
1.5 本書創新及不足
2 金融市場波動預測模型類文獻及基於搜索指數的金融市場波動預測類文獻述評
2.1 金融市場波動預測模型類文獻述評
2.2 基於搜索指數的金融市場波動預測類文獻述評
2.3 本章小結
3 理論及方法介紹
3.1 金融時間序列特征及分析方法
3.2 波動率理論
3.2.1 波動聚類
3.2.2 均值回復
3.2.3 長期記憶效應及錨定效應(Anchoring Effect)
3.2.4 杠杆效應
3.3 流形理論及流形學習算法
3.3.1 流形學習的數學定義
3.3.2 ISOMAP等流形學習算法理論
3.4 本章小結
4 模糊機會約束最小二乘雙支持向量機(FCC-LSTSVM)模型
4.1 支持向量機簡介
4.2 最小二乘雙支持向量機和模糊機會約束雙支持向量機
4.2.1 最小二乘雙支持向量機(LSTSVM)
4.2.2 模糊機會約束雙支持向量機(FCC-TSVM)
4.3 模糊機會約束最小二乘雙支持向量機(FCC-LSTSVM)
4.4 數值實驗
4.4.1 模糊隸屬度函數
4.4.2 人工數據
4.4.3 真實數據測試
4.5 本章小結
5 基於百度指數的滬深300指數波動率預測研究
5.1 百度指數預測金融市場波動路徑分析
5.2 實驗設計
5.2.1 數據來源
5.2.2 描述性統計與相關性分析
5.3 交易日百度指數與滬深300指數波動關繫研究及算法比較
5.3.1 百度指數預處理方法及FCC-LSTSVM算法實現
5.3.2 PC端百度指數預測滬深300指數波動及算法比較
5.3.3 移動端百度指數預測滬深300指數波動及算法比較
5.4 本章小結
6 關於ISOMAP算法的改進
6.1 算法假設
6.2 算法論述
6.3 本章小結
7 全書總結與研究展望
7.1 全書總結
7.2 研究展望
參考文獻
附錄
附錄A 百度指數提取主要代碼
附錄B FCC-LSTSVM主要代碼
附錄C 部分關鍵詞百度指數
後記

本書通過機會約束規劃和模糊隸屬度，給出了一種全新的模糊機會約束最小二乘雙支持向量機，能夠有效地測量數據噪聲。此外，本書通過獲取移動端和PC端的關鍵詞百度搜索量，發現搜索時的行為及注意力集中度存在異質性。同時基於關鍵詞百度搜索量，使用多種算法對金融市場波動進行了預測，並對算法精度進行了比較。流形學習理論作為一種高維非線性特征提取方法，正成為機器學習領域應用研究的熱點，尤其在發現高維金融數據(上市公司財務數據、上證指數數據等)的低維表示應用中展現了良好的算法效果。本書通過對測地距離與歐式距離進行假設，從理論上論證了使用歐式距離會達到ISOMAP算法類似效果，同時能夠降低算法復雜度。