反转点定义存在着两类反转点：技术指标反转点和股价真实反转点。技术指标反转点通过对技术指标(包括MACD、KDJ、RSI)的解读定义反转点，而股价真实反转点则直接

最初提出SVM方法是针对二类分类问题的，但是它可以很方便地扩展到多类问题的划分中。一般多类支持向量机分类有如下两种方法：①通过某种方式构造一系列的二类分类器并将

与传统的神经网络方法相比，支持向量机具有更出色的性能，它采用结构风险最小化原则，能在经验风险与模型复杂度之间做适当的折中，从而获得更好的推广能力。但是，支持向量

非线性SVM上一节的算法针对的是输入空间存在线性判别面的情况。对分类面是非线性函数的情况，理论上应将输入空间通过某种非线性映射，映射到一个高维特征空间，在这个空

案例：基于小波分析的金触时序数据预侧1)实验步骤利用Mtlab软件，对金融数据的预测可以按以下步骤进行。(1)对原始数据进行分解，本案例采用Mallat算法对数

1)信号的分解通常小波分解与重构可以通过Mall算法来实现，{Vt}是L²（R)中的一个多尺度分析，Φ为尺度函数，{Ψƒ，n}ƒ，n为小波基，则通过Mallat

股票市场是一个相当复杂的系统，股票价格的变化受到经济、有关行业、政治及投资者心理等多种因素的影响，各因素的影响程度、时间范围和方式也不尽相同；且股市各因素间相互

案例：K线小波去噪本案例对2008年5月至2010年5月共500个交易日的沪深300收盘价信号进行去噪实验：(1)选择小波Daubechies小波系(db4)并

阈值的确定由前述阈值法消噪的原理可知阈值是区分信号和噪声的分水岭，显然它对除噪性能有至关重要的影响。阈值太高，会引起信号失真，太低则又去噪不完全。

小波函数的选取目前有几十种小波函数，它们性质各异，适合不同的应用场合，不同的小波函数有不同的去噪效果，因而选取合适的小波函数是很重要的。

尽管非线性问值法相对简单，然而还是存在几个重要参数的确定问题，即：小波函数的选取、阈值和分解层次的确定，下面针对金融时间序列的特性分析如何确定相应参数。金融时间

小波有两个显著特点：一是在时域中都具有紧支集或近似紧支集；二是正负交替的波动性。小波分析是将信号分解成一系列小波函数的叠加，而这些小波函数都是由一个母小波通过平

K线小波去噪由于金融市场中各种偶然因素的影响，使得金融数据，特别是金融时间序列数据中存在许多噪声。这些噪声严重影响了进一步的分析和处理，因此必须预先去噪。但是金

小波分析把函数分解成一系列简单基函数的表示，无论是在理论上，还是实际应用中都有重要意义。小波变换作为能随频率的变化自动调整分析窗大小的分析工具，自20世纪80年

股票市场交易规律显示：在股价波动的过程中，整个市场并不是经常性地普涨普跌，而是呈现出板块轮动、涨跌不一的状况。其实金融风险并不可怕，如果能够发现股票板块的运动规