本书通过机会约束规划和模糊隶属度，给出了一种全新的模糊机会约束最小二乘双支持向量机，能够有效地测量数据噪声。此外，本书通过获取移动端和PC端的关键词百度搜索量，发现搜索时的行为及注意力集中度存在异质性。同时基于关键词百度搜索量，使用多种算法对金融市场波动进行了预测，并对算法精度进行了比较。流形学习理论作为一种高维非线性特征提取方法，正成为机器学习领域应用研究的热点，尤其在发现高维金融数据(上市公司财务数据、上证指数数据等)的低维表示应用中展现了良好的算法效果。本书通过对测地距离与欧式距离进行假设，从理论上论证了使用欧式距离会达到Is0MAP算法类似效果，同时能够降低算法复杂度。

韩仁杰，1989年出生，博士，重庆工商大学经济学院经济系讲师。主要研究领域为偏微分方程、最优化、行为经济学等，已在数学和应用经济学领域发表SCI、SSCI论文5篇，主持重庆市社科规划项目1项，校级科研项目1项。

1 绪论
1.1 研究背景与研究意义
1.2 国内外研究现状
1.3 研究内容与方法
1.3.1 研究内容
1.3.2 研究方法
1.4 本书结构安排
1.5 本书创新及不足
2 金融市场波动预测模型类文献及基于搜索指数的金融市场波动预测类文献述评
2.1 金融市场波动预测模型类文献述评
2.2 基于搜索指数的金融市场波动预测类文献述评
2.3 本章小结
3 理论及方法介绍
3.1 金融时间序列特征及分析方法
3.2 波动率理论
3.2.1 波动聚类
3.2.2 均值回复
3.2.3 长期记忆效应及锚定效应(Anchoring Effect)
3.2.4 杠杆效应
3.3 流形理论及流形学习算法
3.3.1 流形学习的数学定义
3.3.2 ISOMAP等流形学习算法理论
3.4 本章小结
4 模糊机会约束最小二乘双支持向量机(FCC-LSTSVM)模型
4.1 支持向量机简介
4.2 最小二乘双支持向量机和模糊机会约束双支持向量机
4.2.1 最小二乘双支持向量机(LSTSVM)
4.2.2 模糊机会约束双支持向量机(FCC-TSVM)
4.3 模糊机会约束最小二乘双支持向量机(FCC-LSTSVM)
4.4 数值实验
4.4.1 模糊隶属度函数
4.4.2 人工数据
4.4.3 真实数据测试
4.5 本章小结
5 基于百度指数的沪深300指数波动率预测研究
5.1 百度指数预测金融市场波动路径分析
5.2 实验设计
5.2.1 数据来源
5.2.2 描述性统计与相关性分析
5.3 交易日百度指数与沪深300指数波动关系研究及算法比较
5.3.1 百度指数预处理方法及FCC-LSTSVM算法实现
5.3.2 PC端百度指数预测沪深300指数波动及算法比较
5.3.3 移动端百度指数预测沪深300指数波动及算法比较
5.4 本章小结
6 关于ISOMAP算法的改进
6.1 算法假设
6.2 算法论述
6.3 本章小结
7 全书总结与研究展望
7.1 全书总结
7.2 研究展望
参考文献
附录
附录A 百度指数提取主要代码
附录B FCC-LSTSVM主要代码
附录C 部分关键词百度指数
后记