沈巍编著的《股指波动预测模型的方法研究及应用》综合应用股指预测理论、经济学理论、神经网络理论、群智算法理论、数据挖掘理论、知识挖掘理论以及现代数学方法与计算科学技术，对股指预测理论及方法进行了全面系统的研究。具体研究方法包括：理论与实证相结合的研究方法；定量与定性相结合的研究方法；归纳与比较相结合的研究方法等。

《股指波动预测模型的方法研究及应用》是由知识产权出版社出版的。

《股指波动预测模型的方法研究及应用》作者沈巍对股指预测理论方法及模型构建做了以下的研究：（1）股指波动影响因素及股指预测模型特点研究；（2）股指波动统计类预测模型与创新类预测模型比较研究；（3）基于被生物进化算法优化的神经网络股指预测模型研究；（4）基于数据挖掘的RBF+AFSA股指预测模型和GA-BP股指预测模型及其实证研究；（5）基于知识挖掘的FPBP股指预测模型和REPTREE+RBF+AFSA股指预测模型及其实证研究。

第1章 绪论

 1.1 研究背景及意义

1.1.1 研究背景

1.1.2 研究意义

 1.2 国内外研究现状

1.2.1 基于统计原理的传统型股票指数波动预测模型研究

1.2.2 基于非统计原理的创新型股票指数波动预测模型研究

1.2.3 神经网络的优化研究

1.2.4 数据挖掘与知识挖掘研究

1.2.5 国内外研究动态总结

 1.3 论文研究内容

 1.4 研究方法

 1.5论文创新点

第2章 股指预测的特点及影响因素分析

 2.1 股指波动的特点

2.1.1 股票指数数据的噪声

2.1.2 股指波动的非线性特征

2.1.3 股指波动受投资者心理影响

2.1.4 股指波动具有政策性特征

 2.2 影响股指波动的主要因素

2.2.1 宏观经济因素

2.2.2 技术指标因素

2.2.3 心理因素

 2.3 股指预测模型的功能与特点

2.3.1 具有并行处理大量非线性数据的功能

2.3.2 具有自主学习、自我调整的功能

2.3.3 具有多指标同时输入的功能

2.3.4 具有处理非量化文本因素的功能

 2.4 本章小结

第3章 股指预测模型概述

 3.1 基于统计原理的传统型股指预测模型

3.1.1 CARCH模型

3.1.2 SV模型

 3.2 基于非统计原理的创新型股指预测模型

3.2.1 灰色CM（1，1）模型

3.2.2 BP神经网络

3.2.3 RBF神经网络

3.2.4 BP与RBF神经网络性能比较

3.2.5 支持向量机预测模型

 3.3 本章小结

第4章 统计类预测模型与创新类预测模型比较

 4.1 理论比较

4.1.1 建模的理论基础不同

4.1.2 对数据的要求不同

4.1.3 对数据的处理方法不同

4.1.4 模型结构的稳定性与适应性不同

4.1.5 预测精准度不同

4.1.6 预测难度与预测时间长度不同

 4.2 实证比较

4.2.1 单一指标预测

4.2.2 多指标组合预测

 4.3 神经网络在股指预测中的局限性

 4.4 本章小结

第5章 基于生物进化算法优化的神经网络股指预测模型与实证

 5.1 遗传算法优化的神经网络股指预测模型

5.1.1 遗传算法的概述

5.1.2 遗传算法的基本步骤

5.1.3 遗传算法的特点

5.1.4 建立遗传算法优化神经网络股指预测模型

 5.2 粒子群算法优化的神经网络股指预测模型

5.2.1 粒子群算法基本流程

5.2.2 粒子群算法的特点

5.2.3 建立粒子群算法优化神经网络股指预测模型

5.3 鱼群算法优化的神经网络股指预测模型

  5.3.1 人工鱼群算法的流程

  5.3.2 人工鱼群算法的特点

  5.3.3 建立人工鱼群算法优化神经网络股指预测模型

 5.4 三种算法的比较分析

 5.5 基于优化算法的RBF股指预测实证分析

 5.6 本章小结

第6章 基于数据挖掘的神经网络股指预测模型与实证

 6.1 数据挖掘概述

6.1.1 数据挖掘理论

6.1.2 数据挖掘的功能

6.1.3 数据挖掘的过程

 6.2 基于数据挖掘的RBF+AFsA神经网络股指预测模型与实证

6.2.1 建立RBF+AFSA神经网络股指预测模型

6.2.2 输入数据的挖掘与处理

6.2.3 单一指标股指预测实证分析

6.2.4 优化组合指标股指预测实证分析

6.2.5 不同预测模型预测结果比较分析

 6.3 基于数据挖掘的GA—BP神经网络股指预测模型与实证

6.3.1 建立GA—BP神经网络股指预测模型

6.3.2 输入数据的挖掘与处理

6.3.3 单一指标股指预测实证分析

6.3.4 优化组合指标股指预测实证分析

 6.4 本章小结

第7章 基于知识挖掘的神经网络股指预测模型与实证

 7.1 知识挖掘概述

7.1.1 知识挖掘的流程

7.1.2 知识挖掘的方法

 7.2 基于知识挖掘的FPBP神经网络的股指预测模型与实证

7.2.1 建立基于知识挖掘的FPBP股指预测模型

7.2.2 样本及变量选择

7.2.3 FP—Free关联规则挖掘过程

7.2.4 基于知识挖掘的FPBP神经网络预测

7.2.5 模型的缺陷及适度处理

 7.3 基于知识挖掘的REPTree+RBF+AFSA的股指预测模型与实证

7.3.1 建立基于知识挖掘的REFDee+RBF、+AFSA股指预测模型

7.3.2 文本因素的相关性分析

7.3.3 引入文本因素后的REPTree+RBF+AFSA股指预测实证分析

 7.4 本章小结

第8章 结论与展望

 8.1 结论

 8.2 研究不足与展望

参考文献

攻读博士学位期间发表的主要论文及科研

致谢