基于深度学习和文本挖掘的股票预测研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 研究内容及创新点 | 第14-15页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 创新点 | 第15页 |
| 1.4 论文章节安排 | 第15-17页 |
| 第二章 股票预测与模型算法概述 | 第17-25页 |
| 2.1 引言 | 第17页 |
| 2.2 股票市场 | 第17-18页 |
| 2.3 预测方法 | 第18-19页 |
| 2.4 深度学习和机器学习模型 | 第19-24页 |
| 2.4.1 传统神经网络 | 第19-20页 |
| 2.4.2 卷积神经网络 | 第20-21页 |
| 2.4.3 K近邻算法(KNN) | 第21-22页 |
| 2.4.4 支持向量机(SVM) | 第22-23页 |
| 2.4.5 随机森林算法(RF) | 第23-24页 |
| 2.5 小结 | 第24-25页 |
| 第三章 基于CNN和指标因子的股票交易时机预测 | 第25-45页 |
| 3.1 引言 | 第25-26页 |
| 3.2 预测方法设计 | 第26页 |
| 3.3 数据获取与预处理 | 第26-31页 |
| 3.3.1 标签生成方法 | 第26-28页 |
| 3.3.2 输入数据预处理 | 第28-31页 |
| 3.4 模型与分类结果分析 | 第31-35页 |
| 3.4.1 多指标通道卷积神经网络 | 第31-32页 |
| 3.4.2 分类实验与结果 | 第32-34页 |
| 3.4.3 纠正策略与结果 | 第34-35页 |
| 3.5 模拟交易 | 第35-44页 |
| 3.5.1 交易策略 | 第35-36页 |
| 3.5.2 模拟交易结果 | 第36-37页 |
| 3.5.3 结合投资组合 | 第37-43页 |
| 3.5.4 结合深度强化学习的探索 | 第43-44页 |
| 3.6 小结 | 第44-45页 |
| 第四章 基于基本面信息和随机森林的涨跌预测方法 | 第45-56页 |
| 4.1 引言 | 第45-46页 |
| 4.2 研究报告挖掘预测方法 | 第46-51页 |
| 4.2.1 研究报告数据获取 | 第46-47页 |
| 4.2.2 文本向量表示方法 | 第47页 |
| 4.2.3 文本预处理 | 第47-48页 |
| 4.2.4 文本向量生成和涨跌标签生成 | 第48-50页 |
| 4.2.5 实验结果与讨论 | 第50-51页 |
| 4.3 使用财务指标的预测方法 | 第51-55页 |
| 4.3.1 财务指标特征构建 | 第51-53页 |
| 4.3.2 归一化方式的讨论 | 第53页 |
| 4.3.3 实验结果 | 第53-55页 |
| 4.4 小结 | 第55-56页 |
| 第五章 基于神经网络的指数跟踪投资组合构建方法 | 第56-65页 |
| 5.1 引言 | 第56-57页 |
| 5.2 模型介绍 | 第57-60页 |
| 5.2.1 解码选股模型 | 第57-59页 |
| 5.2.2 编码组合模型 | 第59-60页 |
| 5.3 实验结果与讨论 | 第60-64页 |
| 5.3.1 数据采集与预处理 | 第60-61页 |
| 5.3.2 实验设置 | 第61页 |
| 5.3.3 实验结果 | 第61-64页 |
| 5.4 小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-72页 |
| 致谢 | 第72-73页 |
| 附录 :攻读硕士期间研究成果 | 第73页 |
