| 摘要 | 第6-7页 |
| Summary | 第7-8页 |
| 第一章 绪论 | 第9-12页 |
| 1.1 课题的研究背景 | 第9页 |
| 1.2 股市预测研究的发展及现状 | 第9-10页 |
| 1.3 课题的依据 | 第10-11页 |
| 1.4 论文主要工作内容 | 第11-12页 |
| 第二章 股票基本知识 | 第12-22页 |
| 2.1 引言 | 第12-13页 |
| 2.1.1 我国股票市场的发展 | 第12页 |
| 2.1.2 股票的概念和特征 | 第12页 |
| 2.1.3 进行股票投资分析的必要性 | 第12-13页 |
| 2.2 股市预测的主要方法 | 第13-15页 |
| 2.2.1 基本分析法 | 第13-14页 |
| 2.2.2 技术分析法 | 第14页 |
| 2.2.3 数量分析方法 | 第14-15页 |
| 2.3 常用的股票术语和技术指标 | 第15-20页 |
| 2.3.1 常用股票术语 | 第15-16页 |
| 2.3.2 常用的技术指标 | 第16-20页 |
| 2.4 股市预测面临的主要难题 | 第20-22页 |
| 第三章 遗传算法 | 第22-34页 |
| 3.1 遗传算法基本理论 | 第22-25页 |
| 3.1.1 遗传算法发展简史 | 第22-23页 |
| 3.1.2 遗传算法的基本概念 | 第23页 |
| 3.1.3 遗传算法的运行过程 | 第23-25页 |
| 3.2 遗传算法的理论基础 | 第25-26页 |
| 3.3 遗传算法的改进策略 | 第26-30页 |
| 3.3.1 编码技术和编码策略 | 第26-27页 |
| 3.3.2 初始种群建立 | 第27页 |
| 3.3.3 适应度函数 | 第27-28页 |
| 3.3.4 遗传操作改进 | 第28-29页 |
| 3.3.5 算法终止条件 | 第29-30页 |
| 3.3.6 算法参数设置 | 第30页 |
| 3.4 遗传算法实例 | 第30-31页 |
| 3.5 遗传算法的特点 | 第31-32页 |
| 3.5.1 遗传算法的优点 | 第31-32页 |
| 3.5.2 遗传算法的不足之处 | 第32页 |
| 3.6 遗传算法的应用 | 第32-34页 |
| 第四章 神经网络及BP算法 | 第34-51页 |
| 4.1 神经网络的发展与应用 | 第34-36页 |
| 4.2 神经网络的基本概念及基本原理 | 第36-40页 |
| 4.2.1 神经网络的生物学启示 | 第36-37页 |
| 4.2.2 人工神经元模型 | 第37-38页 |
| 4.2.3 神经网络的结构及类型 | 第38-40页 |
| 4.2.3.1 前向网络(Feedforward NNs) | 第38-39页 |
| 4.2.3.2 反馈网络(Feedback NNs) | 第39页 |
| 4.2.3.3 自组织网络(Self-organizing NNs) | 第39页 |
| 4.2.3.4 相互结合型网络(全互连或部分互连) | 第39-40页 |
| 4.3 人工神经网络的特点 | 第40页 |
| 4.4 BP神经网络 | 第40-51页 |
| 4.4.1 概述 | 第40-41页 |
| 4.4.2 BP神经网络的结构 | 第41页 |
| 4.4.3 BP神经网络算法的推导 | 第41-46页 |
| 4.4.4 BP网络参数的选取 | 第46-47页 |
| 4.4.4.1 BP人工神经网络的层数选取 | 第46页 |
| 4.4.4.2 BP人工神经网络的输入层和输出层的设计 | 第46页 |
| 4.4.4.3 BP人工神经网络隐含层的节点选择 | 第46页 |
| 4.4.4.4 BP人工神经网络初始权值的选取 | 第46-47页 |
| 4.4.4.5 BP人工神经网络学习速率的选择 | 第47页 |
| 4.4.4.6 BP人工神经网络期望误差的选取 | 第47页 |
| 4.4.5 BP网络的主要特点 | 第47-49页 |
| 4.4.6 BP算法的常用改进方法 | 第49-51页 |
| 第五章 基于遗传算法与神经网络的结合 | 第51-58页 |
| 5.1 遗传算法与神经网络的融合 | 第51-53页 |
| 5.1.1 遗传算法优化神经网络的连接权 | 第51-52页 |
| 5.1.2 遗传算法优化神经网络的拓扑结构 | 第52页 |
| 5.1.3 遗传算法优化神经网络的学习规则 | 第52-53页 |
| 5.2 遗传算法优化BP神经网络的思路 | 第53-55页 |
| 5.2.1 遗传算法优化BP的基本思想及编码描述方法: | 第53-54页 |
| 5.2.2 BP神经网络的参数设计 | 第54页 |
| 5.2.3 遗传算法的参数设计 | 第54-55页 |
| 5.3 MGA-BP算法设计 | 第55-56页 |
| 5.4 MGA-BP算法具体步骤 | 第56-58页 |
| 第六章 股市预测模型的建立及MATLAB仿真 | 第58-73页 |
| 6.1 应用软件MATLAB简介 | 第58页 |
| 6.2 神经网络工具箱 | 第58-61页 |
| 6.2.1 神经元上的传递函数 | 第59-60页 |
| 6.2.2 基本函数 | 第60-61页 |
| 6.2.3 样本处理函数 | 第61页 |
| 6.3 遗传算法工具箱 | 第61-62页 |
| 6.4 样本数据 | 第62-63页 |
| 6.4.1 样本数据的基本要求 | 第62页 |
| 6.4.2 样本数据的获取 | 第62-63页 |
| 6.4.3 样本数据的预处理 | 第63页 |
| 6.5 贵州茅台收盘价BP网络模型 | 第63-68页 |
| 6.5.1 网络模型和样本设计 | 第63-64页 |
| 6.5.2 训练参数的选择 | 第64页 |
| 6.5.3 仿真实验及结果分析 | 第64-68页 |
| 6.6 GA-BP网络模型的股市预测分析 | 第68-73页 |
| 6.6.1 GA-BP网络模型建立和预测实现 | 第68-71页 |
| 6.6.2 网络预测结果的检验 | 第71-72页 |
| 6.6.3 GA-BP网络模型和改进的BP模型的比较 | 第72页 |
| 6.6.4 对遗传算法改进的BP网络模型的评价 | 第72-73页 |
| 第七章 结论与展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-79页 |
| 附录 | 第79-80页 |
