| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 股价预测发展现状 | 第13-15页 |
| 1.2.2 集成学习算法发展现状 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 论文结构安排 | 第17-20页 |
| 第2章 相关知识与理论 | 第20-28页 |
| 2.1 集成学习方法 | 第20-24页 |
| 2.1.1 集成学习的理论基础 | 第20-21页 |
| 2.1.2 集成学习分类与经典模型 | 第21-24页 |
| 2.2 本文采用的经典机器学习算法 | 第24-28页 |
| 2.2.1 岭回归 | 第24页 |
| 2.2.2 随机森林 | 第24-25页 |
| 2.2.3 Xgboost算法 | 第25-28页 |
| 第3章 针对股价预测问题的改进stacking集成算法 | 第28-44页 |
| 3.1 引言 | 第28页 |
| 3.2 stacking算法 | 第28-33页 |
| 3.2.1 K折交叉验证 | 第29-30页 |
| 3.2.2 传统stacking流程 | 第30-33页 |
| 3.3 stacking融合方法的缺陷 | 第33-34页 |
| 3.4 改进模型的提出 | 第34-43页 |
| 3.4.1 基于精度加权的stacking模型 | 第35-36页 |
| 3.4.2 基于时间距离加权的stacking模型 | 第36-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 数据预处理与特征选择 | 第44-64页 |
| 4.1 数据来源 | 第46-47页 |
| 4.2 数据清洗 | 第47-48页 |
| 4.3 缺失值处理 | 第48-50页 |
| 4.4 数据归一化 | 第50-51页 |
| 4.5 One-hot编码 | 第51-52页 |
| 4.6 基于集成特征打分器的特征选择方法 | 第52-64页 |
| 4.6.1 集成特征打分器的构建 | 第52-56页 |
| 4.6.2 基于集成特征得分顺序的特征选择实验设计 | 第56-59页 |
| 4.6.3 实验结果与分析 | 第59-64页 |
| 第5章 基于时间与精度加权stacking算法股价预测实验 | 第64-80页 |
| 5.1 评价标准 | 第64-65页 |
| 5.2 实验环境 | 第65页 |
| 5.3 随机离散样本收盘价预测实验 | 第65-70页 |
| 5.3.1 实验目的及设计 | 第65-66页 |
| 5.3.2 实验结果对比分析 | 第66-70页 |
| 5.4 随机连续样本收盘价预测实验 | 第70-80页 |
| 5.4.1 实验目的及设计 | 第70-71页 |
| 5.4.2 实验结果对比分析 | 第71-80页 |
| 第6章 总结与展望 | 第80-84页 |
| 6.1 总结本文主要工作 | 第80-81页 |
| 6.2 下一步工作 | 第81-84页 |
| 参考文献 | 第84-90页 |
| 攻读学位期间研究成果 | 第90-92页 |
| 致谢 | 第92页 |
