深度学习在复杂金融时间序列中的应用
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第8-11页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 深度学习研究综述 | 第8-10页 |
| 1.3 论文基本结构 | 第10-11页 |
| 第二章 神经网络 | 第11-29页 |
| 2.1 单层神经网络 | 第11-19页 |
| 2.1.1 人工神经元 | 第11-13页 |
| 2.1.2 激活方程 | 第13-16页 |
| 2.1.3 单层前馈网络 | 第16页 |
| 2.1.4 感知器及其分类作用 | 第16-19页 |
| 2.2 多层神经网络 | 第19-22页 |
| 2.2.1 多层感知机 | 第19-20页 |
| 2.2.2 MLP的函数逼近 | 第20页 |
| 2.2.3 回归与分类 | 第20-21页 |
| 2.2.4 深层构架 | 第21-22页 |
| 2.3 深度信念网络 | 第22-29页 |
| 2.3.1 玻尔兹曼机 | 第22-24页 |
| 2.3.2 受限玻尔兹曼机 | 第24-26页 |
| 2.3.3 深度信念网络 | 第26-27页 |
| 2.3.4 金融应用模型 | 第27-29页 |
| 第三章 神经网络训练 | 第29-48页 |
| 3.1 反向传播算法 | 第29-37页 |
| 3.1.1 最快下降法 | 第29-30页 |
| 3.1.2 △规则 | 第30-31页 |
| 3.1.3 前向相位和后向相位 | 第31-32页 |
| 3.1.4 已知激发方程的节点梯度δ的计算 | 第32-33页 |
| 3.1.5 学习速率的选择 | 第33-34页 |
| 3.1.6 停止准则 | 第34-37页 |
| 3.2 批量学习和在线学习 | 第37-41页 |
| 3.2.1 批量学习及其应用 | 第38-39页 |
| 3.2.2 在线学习 | 第39页 |
| 3.2.3 模型的一般化 | 第39-40页 |
| 3.2.4 神经网络的应用举例-回归问题 | 第40-41页 |
| 3.3 受限玻尔兹曼机的训练 | 第41-43页 |
| 3.3.1 对比散度(CD)算法 | 第42-43页 |
| 3.4 DBN神经网络的训练 | 第43-48页 |
| 第四章 金融应用模型 | 第48-54页 |
| 4.1 输入样本的整理 | 第48-51页 |
| 4.1.1 数据来源 | 第48-49页 |
| 4.1.2 数据初始处理及标签分类 | 第49-51页 |
| 4.2 股票预测模型的构建 | 第51-54页 |
| 4.2.1 预测模型的结构 | 第51-52页 |
| 4.2.2 预测模型的输入方式 | 第52页 |
| 4.2.3 预测模型的运行原理 | 第52-54页 |
| 第五章 研究过程及结论 | 第54-60页 |
| 5.1 实验过程 | 第54-55页 |
| 5.2 评价基准的选择 | 第55-56页 |
| 5.3 实验结果及分析 | 第56-59页 |
| 5.3.1 结果汇总 | 第57-59页 |
| 5.4 研究不足 | 第59页 |
| 5.5 研究展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 致谢 | 第63页 |
