1. 研究目的与意义（文献综述包含参考文献）
文 献 综 述从股票诞生以来，对股票价格的预测便成为一个既有理论意义又有实践意义的研究主题，同时也一直是金融界的研究热点之一。
随着计算机和信息技术的发展，大数据时代的到来，越来越多的专家学者将对股票价格预测的方法从以往的人为经验法和统计学方法转变到利用机器学习和大数据挖掘的方法。
基于大数据的人工智能算法逐渐成为了股价预测的流行研究方法，它们的准确性和高效性深受专家学者欢迎。
学者们以此为基础，进行了大量的实验和探索，建立了许多新的股价预测模型和方法。
BP神经网络具有较强的非线性映射能力和容错能力,适合解决内部机制复杂的问题，不会受到局部损坏的影响，能够将学习成果应用于新知识。
支持向量机适合小样本学习，不会受样本空间的维数影响，避免了维数灾难，还对异常值不敏感，有利于抓住关键样本，具有优秀的泛化能力。
近年来，BP神经网络算法和支持向量机受到国内外很多专家学者的重视和喜爱，它们被广泛运用到分类、回归、预测等方面的研究中。
1.国外相关研究回顾自20世纪90年代起，国外的专家学者开始利用神经网络算对股票和指数进行预测，并取得了不错的结果。
1995年，Vapnik出版了《The Nature of Statistical Learning》一书。
这本书的出版，标志着支持向量机理论的成熟。
2. 研究的基本内容、问题解决措施及方案
本文将用BP神经网络和支持向量机回归建立两种股票价格预测模型，并选取科大讯飞和南大光电两支股票做实证分析，然后对两种模型进行比较，分析它们的优缺点，再选出一种相对较优的模型。
BP神经网络和支持向量机回归都是近年来在人工智能算法领域十分热门的模型，它们已经被很多专家学者通过实验证明，在价格预测上具有一定的优势和前瞻性。
BP神经网络和支持向量机回归虽然都可用于预测股价，但是它们在不同的情况下各自有不同的优势，具有较强的代表性和研究价值。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
